[发明专利]基于融合特征的异常行为检测方法和装置

摘要

本发明提供了一种基于融合特征的异常行为检测方法和装置，包括根据待测试视频中运动目标的检测跟踪处理结果，确定运动目标的行为类型；提取运动目标中的多维度特征：像素点的变化程度、像素点的排列紧密程度、整体形状、帧图像的相似程度、运动特征、位置特征和形态特征；根据行为类型对应的特征融合模型对多维度特征进行分析处理，并根据处理结果判断运动目标是否存在异常行为；上述多个异常行为的创新性特征，能够有效提升算法的鲁棒性和稳定性，根据大量异常行为的学习训练得到的特征融合模型对上述多维度特征进行分析处理能够有效避免算法过拟合或欠拟合问题，其适用于多种复杂应用场景，节省大量的时间成本和人力成本，具备很高的推广价值。

主权项

1.一种基于融合特征的异常行为检测方法，其特征在于，包括：根据待测试视频中运动目标的检测跟踪处理结果，确定所述运动目标的行为类型；提取所述运动目标中的多维度特征；所述多维度特征包括以下所述运动目标的特征中的多个：像素点的变化程度、像素点的排列紧密程度、整体形状、帧图像的相似程度、运动特征、位置特征和形态特征；根据所述行为类型对应的特征融合模型对所述多维度特征进行分析处理，并根据分析处理结果判断所述运动目标是否存在异常行为；所述提取所述运动目标中的多维度特征包括：计算预设周期内所述运动目标的像素点的变化程度DisturbRate＝FC/FA；其中，FA表示所述预设周期对应的前景区域内所有像素点的数量；FC表示前景区域内一定时间周期前未处于所述前景区域中的像素点的数量；计算所述预设周期内所述运动目标的像素点的排列紧密程度CompactRate＝CS/CN；其中，CN表示所述前景区域内所有四邻域均处于所述前景区域的前景像素点的数量；CS表示CN中所有四邻域均存在亮度差的前景像素点的数量；计算预设周期内所述运动目标的整体形状的圆形度Ω＝P/(2*sqrt(πA))；其中，A表示所述前景区域的面积；P表示所述前景区域的周长；计算所述预设周期内所述运动目标中帧图像的相似程度AreaSimilarRate＝AND/OR；其中，AND表示所述前景区域内相邻帧均处于前景区域的像素点的个数；OR表示所述前景区域内相邻帧中未处于所述前景区域的像素点的个数；提取预设周期内所述运动目标中每两帧图像之间的位移变化值，并在所述位移变化值大于预设阈值时，将所述运动目标的位置特征的变动频次加1，直至所述预设周期结束，将最终的变动频次作为所述运动目标的位置特征；计算所述待测试视频所在的视频区域的宽高比；根据所述视频区域的宽高比，计算实际的前景区域的宽高比；将所述实际的前景区域的宽高比与预设宽高比阈值进行对比，并根据对比结果判断所述实际的前景区域中的运动目标对应的实际形态；所述实际形态包括：单人形态和多人形态；提取所述运动目标中的运动特征，包括：提取预设周期内所述前景区域中的所述运动目标的运动幅度；所述运动幅度包括：纵向位移、横向位移、当前前景区域的高度和当前前景区域的宽度；和/或，计算所述预设周期内所述运动目标的运动方向OffRate＝Offset/Route；其中，Offset表示所述运动目标的实际位移，包括横向位移和纵向位移；Route表示所述预设周期内的前景区域中所有实际位移的累计行程。