[发明专利]一种视频异常行为自动判断方法

说明书

本发明涉及一种视频异常行为自动判断方法。所述方法是对运输车辆的车载视频进行帧提取，获取比较帧。通过比较帧的差分运算，筛选出异常行为帧，进而对违规行为进行筛查，特别适用于运输车的车载视频异常行为分析。本发明误检率低、筛选速度快、对硬件资源要求低。

技术领域

本发明涉及视频处理技术领域，特别是一种视频异常行为自动判断方法。

背景技术

随着社会经济快速发展，智能交通系统在人类经济、社会活动中的地位显著提升。车辆的异常行为监测作为智能交通系统的核心内容，对人们的日常生活、社会进步和经济的发展影响深远。目前，运输车辆普遍安装有车载视频监控系统车载视频的异常行为核查模型误检率较高(约为10％)。而且内存硬件资源需求过高：当单个视频超过50分钟极其以上，算法程序占用内存需要达到16G才可流畅运行。

如果能提供误检率低，且对硬件要求低的技术方案，将是十分有意义的。

发明内容

为达到上述目的，本发明提供了一种视频异常行为自动判断方法，包括如下步骤：

S1：预先确定对原始视频进行帧提取周期及不同的提取起始时间；

S2：获取比较帧；所述比较帧包括获得从X时刻开始提取的原始帧序列L1以及，从X+j时刻开始提取出来的的原始帧序列L2；j为L1、L2提取起始时间的差值；

S3：对L1、L2中排序相同的帧进行差分运算，得到差异帧序列L3；

S4：将L1和L3作为数据，使用基于卷积神经网络的深度学习分类器，训练出拥有自适应调整阈值Y能力的模型M；

S5：利用M，将待检测视频作为原始视频，重复步骤S1～S3，将获取到的差异帧序列L3中所有对象作为输入值依次送入M进行运算，获取各个对象对应的概率值；当概率值大于对应阈值Y时，则判断为异常，获取原始视频对应的时间点；

S5：根据对应的时间点截取对应的视频片段。

进一步的，S3中进行差分运算的具体方法为：

获取帧序列L1、L2的各帧图像的灰度值矩阵，矩阵的各元素为图像对应位置的像素点的灰度值；

利用灰度值矩阵做相减运算，得到差异帧序列L3。

进一步的，将灰度值矩阵转化为单行或者单列数组后将两列数组进行相减运算，运算结果取绝对值，得到差异帧序列L3。

进一步的，S1中，帧提取周期为0.5秒。

进一步的，S2中，X时刻为原始视频从头开始播放的时刻。

进一步的，S2中，j的值等于帧提取周期。

进一步的，在获取M时，由人工对异常行为对应的图像和正常行为对应的图像进行筛选后，将实际产生异常行为对应的差异帧数的图像数据、正常行为对应的图像数据作为训练数据。

进一步的，训练数据被投入到基于CNN的DEEPEXI-VIDEO-CLASSIFI CATION进行迭代训练

本发明的有益效果为：

1.误检率低。对于现有的100小时验证视频来说，异常行为(如遮挡，摄像头翻转)漏检率小于0.5％。

2.筛选速度快。以1小时的视频流为例，只需要5分钟就可以完成初步筛选。

3.对硬件资源要求低。算法程序占用内存低，运行流畅。

附图说明

图1为本发明所述方法的流程图。

具体实施方式