[发明专利]一种基于视频监控的异常事件的检测方法及装置

权利要求书

1.一种基于视频监控的异常事件的检测方法，其特征在于，包括：

步骤S1：将训练视频进行特征提取，获得训练视频的第一特征向量；

步骤S2：对所述第一特征向量进行训练，获得一个稀疏字典矩阵；

步骤S3：对待检测视频进行特征提取，得到待检测视频的第二特征向量；

步骤S4：将所述第二特征向量与所述稀疏字典矩阵进行对比运算，获得所述待检测视频中每一视频帧的分值，其中，所述分值用以表征待检测视频中的视频帧的异常可能性；

步骤S5：将所述分值超过阈值的视频帧作为存在异常事件的视频帧。

2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：

步骤S1.1：将所述训练视频按照预设规则分为多个视频块，其中，每个视频块包括连续的12帧图像；

步骤S1.2：对每一个视频块进行金字塔变换后，进行光流计算，得到一组金字塔光流；

步骤S1.3：根据所述金字塔光流，计算所述视频块的密集轨迹；

步骤S1.4：计算出所述密集轨迹的HOF特征，将HOF特征作为所述第一特征向量。

3.如权利要求1所述的方法，其特征在于，步骤S2具体包括：

利用提取出的第一特征向量进行数据字典学习，获得所述稀疏矩阵字典，具体如下：

其中，x_i表示训练视频数据的第i列，n为训练视频数据的列数，l为正则化公式，D为需要优化的字典。

4.如权利要求1所述的方法，其特征在于，所述第二特征向量为X∈R^m*n，步骤S4具体包括：

对每个提取出的第二特征向量与稀疏矩阵字典进行对比，具体为：

其中，k为第二特征向量的列数，i为第二特征向量的某一列，α_i是矩阵α的一个列向量，是需要优化的系数，优化后的字典为稀疏矩阵字典D^*，y_i为训练视频数据的第i列，λ是正则化参数；

根据α_i构成的矩阵α^*获得待检测视频中与第二特征向量对应的视频帧的分值，

5.如权利要求1所述的方法，其特征在于，步骤S1.3具体包括：

对视频块的第一个视频帧进行密集采样，采样点的密度为每5*5的区域类至少包含一个采样点；

根据金字塔光流计算采样点在下一个视频帧的位置，直到轨迹点到达预设长度，获得每一个视频块的多个密集轨迹。

6.如权利要求1所述的方法，其特征在于，步骤S1.4具体包括：

对视频快的每一个视频帧，以轨迹点为中心，采集出32*32的像素块，得到一个32*32*10的像素序列块，将所述像素序列块分为2*2*3的12个小像素块，每一个小像素块的大小为16*16*3像素；

对每一个大小为16*16*3的小像素块，统计其中每一个像素的光流方向，获得与光流方向对应的的向量，将其作为所述第一特征向量。

7.一种基于视频监控的异常事件的检测装置，其特征在于，包括：

训练视频特征提取模块，用于将训练视频进行特征提取，获得训练视频的第一特征向量；

训练模块，用于对所述第一特征向量进行训练，获得一个稀疏字典矩阵；

待检测视频特征提取模块，用于对待检测视频进行特征提取，得到待检测视频的第二特征向量；

检测模块，用于将所述第二特征向量与所述稀疏字典矩阵进行对比运算，获得所述待检测视频中每一视频帧的分值，其中，所述分值用以表征待检测视频中的视频帧的异常可能性；

筛选模块，用于将所述分值超过阈值的视频帧作为存在异常事件的视频帧。