[发明专利]基于约减字典低秩表示的异常检测方法

说明书

本发明公开了一种基于约减字典低秩表示的异常检测方法。将编码时空信息的多尺度三维梯度特征作为低等级特征，在视频数据的结构化稀疏驱动下，通过底层近似法用来获得一组正常字典序，然后利用底层结构化稀疏编码模型来学习降序字典序。该方法利用底层性质来学习能高效表示大量相似性正常特征的底层正常字典序；基于算法的稀疏性自适应地确定字典序基数的取值，使得该方法是一个解释对应的动态场景语义的最佳选择；降序字典序学习方法不仅高效，还能实现实时检测。

技术领域

本发明涉及计算机视觉异常检测领域，具体地说，是一种视频序列中异常事件的检测方法。

背景技术

异常检测是计算机视觉领域的研究热点，并已得到广泛应用，比如人群监控、公共场合监控、交通安全、个别异常。用传统的人工分析方法来从大量的视频数据中标出异常活动是非常耗费时间的，而且效率极低。因此，需要一种自动、快速的异常活动检测方法。

目前，人们在特征提取、行为建模、异常测量等方面进行的研究取得了巨大的进步，但视频数据里的异常检测仍然是一个极具挑战性的课题。首先，对异常没有精确的定义。现有的常见解决方法是首先检测出异常行为，通过聚类形成异常行为模式或者检测只有很小可能性为异常现象的样本。对于第一种方法，面对的最大难题是没有足够的先验知识来描述异常集群的特性。对第二种方法而言，概率模型常常导致异常事件依赖于正常事件定义的尺度，而且尺度变化涉及多尺度特征。其次，对于拥挤场合的异常事件检测要求行为模型能够处理高密度的移动物体，这时，就需要考虑物体的遮挡和多个目标之间的相互作用。

发明内容

本发明的目的在于提供一种基于约减字典低秩表示的异常检测方法。用来检测、定位基于结构化视频数据的低阶属性的异常事件。

实现本发明目的的技术解决方案为：一种基于约减字典低秩表示的异常检测方法，包括以下步骤：

步骤1，提取时空特征；在视频序列中对3维的时空体STV进行采样，在空间非重叠区域中提取三维梯度特征，并在同一区域内连续叠加n个连续的帧，构成一组时空特征；

步骤2，组稀疏字典学习；将低等级的近似和稀疏组合学习结合起来，从训练特征中获取正常的字典序；利用k-均值聚类在每个空间位置上的时空立方体 STV上强制执行，并利用低阶近似算法捕获正常字典序，直到所有训练数据都能被表示出来；

步骤3，异常事件检测；在测试阶段，搜索一个合适的字典表示每个测试数据，确定测试数据是否异常。

本发明与现有技术相比，其显著优点：(1)该方法利用低阶特性可以高效地表达正常的行为模式；(2)能够自适应地确定每个字典中碱基的数量来精确地描述行为模式，从而准确地描述对应的动态场景语义；(3)通过低阶近似学习字典可以极大地减少训练时间，而稀疏组合学习的特点有助于提高测试时间，最终实现实时监测。

附图说明

附图1是本发明基于约减字典低秩表示的异常检测方法的算法流程图。

具体实施方式

本发明的方法在视频序列中对3维的时空体STV进行采样，在空间非重叠区域中提取三维梯度特征，并在同一区域内连续叠加n个连续的帧，构成一个时空特征。将低等级的近似和稀疏组合学习结合起来，从训练特征中获取正常的字典序。利用k-均值聚类在每个空间位置上的时空立方体上强制执行，并利用低阶近似算法捕获正常字典序，直到所有训练数据都能被表示出来。在测试阶段，该方法搜索一个合适的字典，以表示每个测试数据，并确定测试数据是否不正常或不符合其重构错误。

本发明的检测方法处理流程如图1所示，包括以下步骤：

步骤1时空特征提取。