[发明专利]一种基于视频的精神病患者异常行为检测方法

权利要求书

1.一种基于视频的精神病患者异常行为检测方法，其特征在于，包括以下步骤：

S1：用光流法标记训练视集中的运动信息，并去除噪声；

S2：将标记的运动信息转换为基于条件随机场的若干运动矢量场，若干运动矢量场累积得到运动能量图像；

S3：用Hu矩表示运动能量图像的区域，并基于九个方向，分别计算运动能量图像中9个方向的图像力矩；

S4：采用N-cut聚类算法对图像力矩中的运动特征进行标记，并通过支持向量机对标记的特征分成正常行为和异常行为；

S5：在条件随机场中添加正常行为的标签，构建基于条件随机场的阈值模型(T-CRF){A₁，A₂，···，A_n，G}，其中A₁，A₂，···，A_n为不同的异常行为标签，n是标签数量，G为正常行为标签；

S6：利用标记的正常行为和异常行为训练阈值模型(T-CRF)；

S7：采集需检测视频，重复S1-S4，标记出需检测视频中的运动特征；

S9：将标记好的运动特征代入训练好的阈值模型(T-CRF)中，识别出需检测视频中的异常行为。

2.根据权利要求1所述的基于视频的精神病患者异常行为检测方法，其特征在于，所述步骤S2包括：

S21：使用光流运动场表示运动信息中的速度和方向，运动信息中某一帧中点P的运动矢量场为ω_tp＝(u_tp，v_tp)，其中u_tp为方向，v_tp为速度；

S22：将运动矢量场中的360°划分成8个部分，每个部分间隔45°，并将零方向的一定幅度作为单独的一个部分，则运动矢量场的方向量化为9个部分。

S23：分别计算9个部分的运动矢量场，并将9个部分的运动矢量场进行叠加，得到运动能量图像。

3.根据权利要求1所述的基于视频的精神病患者异常行为检测方法，其特征在于，所述步骤S3包括：

S31：用Hu矩表示运动能量图像中对应9个运动矢量场的区域；

S32：基于9个不同的方向，分别计算9个方向的图像力矩，并使用一个63(9×7)维向量描述每一个运动能量图像。

4.根据权利要求1所述的基于视频的精神病患者异常行为检测方法，其特征在于，所述步骤S4包括：

S41：根据每两个图像力矩中运动特征之间的距离，计算相似矩阵；

S42：求解相似矩阵的特征值：

得到N个特征向量，并得到N个特征向量对应的N个最小特征值；其中，A，B均为特征点集合，V为子集A和子集B的并集，x_i和x_j为并集V中有边连接的两个点，ω_ij为边缘权重两个点x_i和x_j的边缘权重，d_i为点x_i的度；

S43：利用K-均值算法对特征向量进行聚类，并对每个特征向量进行标记；

S44：使用SVM分类器对标记的特征向量进行分类，得到异常行为特征向量和正常行为特征向量。

5.根据权利要求4所述的基于视频的精神病患者异常行为检测方法，其特征在于，所述步骤S43中特征向量的聚类方法为：

S431：选取K个点作为N个特征向量中的初始簇核心；

S432：分别计算每个特征向量到K个簇核心的欧式距离，找到离每个特征向量最近的的簇核心，将其归属到对应的簇；

S433：所有的特征向量归属到簇之后，N个特征向量就分为了K个簇；

S434：重新计算K个簇中每个簇的重心，并将重心定为新的簇核心。