[发明专利]基于多元对数高斯分布下视频特征的图结构规约方法

权利要求书

1.基于多元对数高斯分布下视频特征的图结构规约方法，其特征在于包括如下步骤：

步骤1：读入公开视频数据集UMN中的训练集与测试集的视频，选训练的正常视频帧，设置网格大小，利用金字塔LK光流算法求出视频集中运动光流特征(u,v)；其中，u为相邻两视频帧网格上目标运动的水平速度场大小，v为相邻两视频帧网格上目标运动的垂直速度场大小；

步骤2：选取光流特征(u,v)高于划分运动阈值T的光流分量进行颜色编码，并不断累积记录颜色块的区域并得运动区域的边缘轮廓；

步骤3：利用运动区域的边缘轮廓、网格位置与光流特征来构建光流特征图结构G；

步骤4：对构建的光流特征图结构进行多次规约操作，通过光流特征图结构上顶点的减少，进一步减少相对应的光流特征数量，从而实现特征信息的优化；步骤4具体实现过程如下：

特征图结构的顶点的筛选先是由光流特征图结构的图拉普拉斯矩阵L最大特征向量值λ_max对应最大特征向量u_max与设定阈值T₁相比较来选择顶点集V，即是：

V₁:＝{i∈V:u_max(i)≥T₁}

V₂:＝{i∈V:u_max(i)T₁}

阈值T₁为最大特征向量对应值排序后所对应的值，将光流特征图结构的顶点集V分成V₁和V₂两个部分，且对有高权重边所连接的顶点予以保留，保留顶点集V₁并且对顶点集V₂进行剔除，以此来完成光流特征图结构的顶点的初次筛选；

利用光流特征图结构顶点上的光流特征向量的幅度均值的大小再次筛选图结构顶点，光流特征图结构顶点上的光流特征向量(u,v)，将其转化成极坐标下的光流特征向量(A,θ)，其中A为极坐标下的幅度值，θ为极坐标下的相角；

对于有n个顶点的特征图结构，每个顶点上的特征向量幅度A即为一个维度上的随机变量，将n维图结构信号x＝(x₁,...,x_N)^T规约为n-k维图结构信号x₁＝(x₁,...,x_N-K)^T；规约后的差分熵达到最大值，如下式所示：

上式目标函数中，e为自然底数，Σ为x₁的协方差矩阵，μ_i为各个顶点的光流特征向量的幅度均值；图结构顶点的再次筛选过程是在初次筛选顶点集V1的基础上，利用顶点上光流特征向量的幅度均值与设定阈值T₂比较后进行再次筛选光流特征图结构的顶点，得到V₁₁：

V₁₁:＝{i∈V₁:μ_i≥T₂}

V₁₂:＝{i∈V₁:μ_iT₂}

上两式中，阈值大小T₂为各个顶点的光流特征向量的幅度均值μ_i按从大到小排列所对应的均值大小，将图结构顶点集V₁分成V₁₁和V₁₂两个部分，并保留顶点集V₁₁并剔除顶点集V₁₂；

将筛选出的顶点集V₁₁利用一个阈值化的高斯核函数来构建出顶点间的内在连接，定义一条无向边e＝(i,j)连接顶点i和j的边权重W_i,j，构成尺度化子图结构G＝{V₁₁,ε,W}，其中V₁₁是筛选后顶点的集合，ε是无向边集合，W为含权重的邻接矩阵；

其中κ为阈值，参数N是图结构顶点总数，dist(i,j)为顶点i和j之间的欧式距离，阈值κ＝0.6；

步骤5：在依次规约的图结构上，对送入的训练集与测试集的光流特征分别进行滤波并构建对应的特征词袋形式；

步骤6：将训练集特征的词袋送入LDA-iHMM联合空时模型中学习得到模型的参数及训练集每帧的对数似然函数，最后再将测试集的词袋中的光流特征向量作为已训练“正常”模型的输入进行视频的异常检测，得到测试集每一帧的对数似然函数；

步骤7：测试集的对数似然函数与设定阈值进行相对比，若连续三帧测试集的对数似然函数均大于阈值Th时，该视频帧判定为异常，反之则判定为正常；直到整个测试视频集全部检测完成。