[发明专利]基于改进逻辑回归分类的人群异常行为检测方法

权利要求书

1.基于改进逻辑回归分类的人群异常行为检测方法，其特征在于，具体步骤包括：

步骤1：采用基于混合高斯模型的背景差分法和对象跟踪的方法对输入图像提取正常行为人的运动前景和有异常行为人的运动前景；

步骤2：对步骤1中提取得到的两种运动前景采用Lucas-Kanada光流法提取正常行为人的U、V光流矢量和有异常行为人的U、V光流矢量；

步骤3：采用正弦变换学习率的方法替代固定学习率的方法对逻辑回归分类算法进行改进；

步骤4：将步骤2中计算得到的两种运动前景的U、V光流矢量当中的一部分分别作为负样本和正样本输入至改进的逻辑回归分类算法中进行训练，从而得到具有最佳超参数的网络模型；

步骤5：将步骤2中计算得到的两种运动前景的U、V光流矢量当中的剩余部分作为测试集运用到步骤4训练好的网络模型中测试算法的性能。

2.根据权利要求1所述的基于改进逻辑回归分类的人群异常行为检测方法，其特征在于，所述步骤1的具体步骤如下：

步骤1-1：在一帧图像中，对每个像素点(x,y)建立K个高斯模型，假设I_t(x,y)为t时刻该像素点的值，I_t(x,y)的混合高斯模型由K个高斯模型加权和表示，如式(1)所示：

其中，K为高斯模型的个数；ω_i,t为t时刻第i个高斯模型的权值，K个高斯模型的权值总和为1；μ_i,t为t时刻第i个高斯模型的均值；∑_i,t为t时刻第i个高斯模型的协方差矩阵；η(I_t(x,y),μ_i,t,∑_i,t)是t时刻第i个高斯模型；

步骤1-2：将当前帧中像素值I_t(x,y)与其对应的K个高斯模型进行匹配，匹配公式如式(2)所示：

其中，μ_i,t和σ_i,t分别表示t时刻第i个高斯模型的均值和标准差,若I_t(x,y)与其对应的任意一个高斯模型满足式(2)，则更新该像素对应的所有高斯模型的权值，并更新满足式(2)的高斯模型的均值和标准差；若I_t(x,y)与其对应的所有高斯模型都不满足式(2)，则将其所有高斯模型中权值最小的模型用一个新的高斯模型取代，新的高斯模型以I_t(x,y)为均值，并初始化一个标准差和一个权值，剩余的高斯模型更新权值并保持原来的均值和标准差；

步骤1-3：按ω_i,t/σ_i,t比值由大到小的顺序将每个像素的K个高斯模型排序，取排序序列中前B个高斯模型作为背景模型，B的计算公式如式(3)所示：

其余高斯模型为运动前景模型，再将像素值I_t(x,y)与背景模型进行匹配，若匹配，则该像素点为背景点，否则该像素点为前景点，即为运动目标；

步骤1-4：利用上述步骤可得到所有帧中全部人的运动前景，然后在原始帧中利用目标跟踪的方法获得有异常行为人的像素区域，在获得有异常行为人的像素区域的基础上，再利用上述步骤得到有异常行为人的运动前景，进而可得到正常行为人的运动前景。

3.根据权利要求1所述的基于改进逻辑回归分类的人群异常行为检测方法，其特征在于，所述步骤2的具体步骤如下：

步骤2-1：假设第i帧图像中第j个像素点的坐标为那么第i帧图像中所有像素点的集合如式(4)所示：

其中，n为像素点个数；

步骤2-2：利用Lucas-Kanada光流算法得到前一帧图像像素点集合如式(5)所示：

步骤2-3：利用帧差法计算得到每个像素点的U、V光流矢量，根据式(6)得到第i帧图像第j个像素点的U光流矢量大小，其中，式(6)如下所示：

其中，f为帧率；

同理，根据式(7)得到第i帧图像第j个像素点的V光流矢量大小，其中，式(7)如下所示：

步骤2-4：在已提取得到两种运动前景的前提下，使用所有帧中全部像素点的U，V矢量大小计算两种运动前景的像素区域的平均U、V光流矢量大小。