[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

说明书

本发明公开了一种基于改进逻辑回归分类的人群异常行为检测方法，具体步骤包括：步骤1：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：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改进逻辑回归分类算法；步骤4：将两种运动前景的U、V光流矢量当中的一部分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：将剩余部分作为测试集运用到训练好的网络模型中测试算法的性能。本发明模型构建简单，对人群拥挤、遮挡严重的情况仍然保持较高的检测精度，而且检测速度快，泛化性能好，不仅能满足实时性的要求，还能适应多种场景。

技术领域

本发明涉及基于改进逻辑回归分类的人群异常行为检测方法，属于基于特定计算模型的计算机视觉领域。

背景技术

近年来，随着人口的持续增长以及城市化进程的不断加快，人群活动变得日益频繁，而人群行为关乎公共场所的安全，这使得人群密集的公共场所易发生安全事故。因此，人群行为的有效监管能在很大程度上减少公共场所的安全事故。但是，若监管密集人群行为这一项工作仅由人力来完成，则需要浪费大量警力资源，而且还有可能因为人为因素造成监管不及时的问题。因此，基于视频的自动人群异常行为检测已经成为当今热门的研究领域之一。然而传统的人群异常行为检测算法在人群拥挤、遮挡严重的环境中检测准确率低，而且构建模型时需要考虑的因素较多。

发明内容

为解决上述背景技术中的不足，本发明提出基于改进逻辑回归分类的人群异常行为检测方法,实现人群中的异常行为检测且检测速度快，检测精度高，泛化性能好。

为达到上述目的，本发明的技术方案是这样实现的：

基于改进逻辑回归分类的人群异常行为检测方法，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。

优选地，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：