[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

说明书

本发明提供了一种基于视频监控的异常事件检测方法及装置，其中的方法包括：首先将训练视频进行特征提取，获得训练视频的第一特征向量，然后对所述第一特征向量进行训练，获得一个稀疏字典矩阵；接着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；再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，最后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。本发明达到了提高检测效率和检测准确性的技术效果。

技术领域

本发明涉及视频监测技术领域，具体涉及一种基于视频监控的异常事件的检测方法及装置。

背景技术

在视频监测领域，准确而快速的视频监测技术一直是一个技术难点。与一般的分类问题不同，在视频监测中，很难对“异常事件”进行一个准确的定义。在传统的分类问题中，监督学习的方法可以较为高效地解决问题。预先定义一系列的类别，在训练数据上进行标记，然后基于这些训练数据和分类类别训练分类模型。但是在视频监测中，无法对异常事件进行分类。通常的解决方法是定义“正常事件”，然后将待检测的数据与预先定义的数据进行对比，将差距过大的数据判定为“异常事件”。

视频检测通常可以分为全局检测和局部检测。全局检测即对整个视频画面进行检测，如果画面中出现了异常数据，则判定为出现了异常情况。而局部检测是在全局检测的基础上进行细化，对于同一个画面会同时出现不同事件的情况，不仅检测出是否有异常事件发生，而且粗略计算出事件的位置，即为局部检测。

本发明申请人在实施本发明的过程中发现，对于一个输入的视频流，需要实时地不断地进行监测，如果发现异常数据则进行报警提示。而现有的检测方法无法满足对计算速度要求，因而存在计算效率低的技术问题。

发明内容

有鉴于此，本发明提供了一种基于视频监控的异常事件的检测方法及装置，用以解决或者至少部分解决现有方法存在的计算效率低的技术问题。

为了解决上述技术问题，本发明第一方面提供了一种基于视频监控的异常事件的检测方法，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。

进一步地，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。

进一步地，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。

进一步地，所述第二特征向量为X∈R^m*n，步骤S4具体包括：