[发明专利]基于视频的无监督异常事件实时检测方法

摘要

本发明提供一种基于视频的无监督异常事件实时检测方法。本发明为了减少帧间特征点的数量，同时降低计算特征点的复杂度，采用间隔的方法检测特征点，即将视频分段，首帧检测特征点，后续只需进行跟踪。跟踪方法计算量相对较少，这样极大地降低了计算复杂度。在一段视频结束后，再重新检测特征点。得到每一个视频段的特征点后，提取运动特征点的方向、速度和位置直方图串联起来作为视频段的特征，接着对这些特征进行高斯混合建模，并实时更新，得到异常事件的概率，进而判断是否有异常事件发生从而进行异常事件实时检测。

主权项

1.基于视频的无监督异常事件实时检测方法，其特征在于，包括以下步骤：1)训练步骤：1‑1 取一段实时的监控视频作为训练部分并进行分段；1‑2 对于各视频段内的第一帧，通过帧间差和背景差提取运动区域，对运动区域提取边缘，再在边缘上按照间隔步长提取运动特征点；1‑3 对于各视频段内的第一帧之后的每一帧对运动特征点通过快速运动估计进行跟踪，得到特征点在各视频段内的运动轨迹；1‑4 对视频段内每一帧的特征点计算8个方向的运动方向直方图、8个区段的运动速度直方图以及9维的特征点位置直方图作为该帧的特征；所述9维的特征点位置直方图是将每一帧划分为3*3的网格，特征点所在的网格即为该特征点的位置；1‑5 将视频段内全部帧的特征串联起来作为该视频段的运动特征；1‑6 训练部分的每段视频的运动特征组成样本特征训练集，对样本特征训练集采用高斯混合建模，利用最大后验概率多次迭代得到高斯混合模型的模型参数；模型参数包括均值、协方差矩阵和先验概率；2)检测步骤：2‑1 取当前待测的实时的监控视频进行分段；2‑2 对于各视频段内的第一帧，通过帧间差和背景差提取运动区域，对运动区域提取边缘，再在边缘上按照间隔步长提取运动特征点；2‑3 对于各视频段内的第一帧之后的每一帧对运动特征点通过快速运动估计进行跟踪，得到特征点在各视频段内的运动轨迹；2‑4 对视频段内每一帧的特征点计算8个方向的运动方向直方图、8个区段的运动速度直方图以及9维的特征点位置直方图作为该帧的特征；所述9维的特征点位置直方图是将每一帧划分为3*3的网格，特征点所在的网格即为该特征点的位置；2‑5 将视频段内全部帧的特征串联起来作为该视频段的运动特征；2‑6 待测的视频段的运动特征输入高斯混合模型得到当前运动特征的后验概率，再根据后验概率计算异常事件发生的概率与预设门限进行比较，当后验概率小于预设门限则表示无异常事件出现，更新模型参数后进入下一视频段的检测；否则，表示当前视频段发生了异常事件，新建一个高斯混合模型并初始化模型参数后进入下一视频段的检测；初始化模型参数时，先验概率设置为最小值；更新模型参数的具体方法是：将当前运动特征Ft与k个高斯分布依次匹配，匹配条件满足：|Ft‑uk,t‑1|≤2.5Ck,t‑1下标t表示当前时刻，uk,t‑1为t‑1时刻的第k类高斯分布的均值，Ck,t‑1为t‑1时刻的第k类高斯分布的协方差矩阵；将满足匹配条件的归入该高斯分布，并对其参数进行更新，参数更新如下：uk,t＝(1‑λ)uk,t‑1+λFtwk,t＝(1‑ε)wk,t‑1其中，λ为学习率，ε为模型的更新因子，wk,t‑1表示t‑1时刻的第k类高斯分布的先验概率。