[发明专利]一种基于时空拉普拉斯特征映射学习的异常行为检测方法

摘要

一种基于时空拉普拉斯特征映射学习的异常行为检测方法。本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。本发明首先利用光流直方图对相邻两帧图片提取光流特征，获得监测场景内的运动特征信息，采用低维空间的视频表达形式，运用谱聚类的方式对运动信息特征进行聚类，得到聚类个数和不同类别下的特征集合，最后对不同类的特征集合运用Hausdorff距离测量其集合间的相似度，找出明显区别于其他类别的特征集合，从而检测出异常行为。本发明将高维空间中的数据在低维空间中重新表示，降低了运算复杂度，利于密集人群场景的异常行为检测。其异常行为检测率达到73.52～78.45％，漏检率为17.05％～21.45％，误检率4.5～6.1％％。

主权项

1.一种基于时空拉普拉斯特征映射学习的异常行为检测方法，具体步骤如下：步骤1、场景特征提取：即将视频流转换成灰度图并对相邻两帧图像每3*3网格提取光流特征；步骤1‑1、首先将监测设备采集到的视频流处理得到单帧图像，并对其进行灰度化处理；步骤1‑2、对连续两帧灰度图像在3*3的网格中提取光流直方图特征，即每3*3的网格求出一个光流特征向量，根据视频帧的不同大小可以得到N个光流特征向量，将光流范围0～2π等分成32个子空间，构建32维的直方图B，在统计直方图时，根据角度值对应位置投票，投票所得结果作为权值，因此得到权值向量x＝[hk],k＝{1,2,3,...,K},其中k为每个网格的索引值，K是网格总数，hk为第k个网格中32维直方图B对应的权值；步骤2、学习低维嵌入空间：步骤2‑1、根据视频帧的时空关系构造邻接权重矩阵，其中d_t表示第i帧与第j帧视频之间的时域关系，d_s表示特征第i帧与第j帧视频光流特征之间的差异度量，而式中||·||为欧式距离度量，h的取值决定了处理后视频的流畅程度，d_t取值范围为4～8；式中K是每帧图像的网格总数；α_k表示位置信息，根据不同的先验信息，取值范围为1～5；是第i帧与第j帧视频光流特征的距离度量，具体的其中表示第i帧的第k个网格的光流直方图权重，同理；步骤2‑2、构建损失函数求出低维嵌入空间，定义损失函数为：wij由步骤2‑1得到，向量yi是视频帧的低维线性表达，由其Y构成的矩阵就是需要找到低维嵌入空间；步骤2‑3、将步骤2‑2中的损失函数展开得到Φ(Y)＝2YTLY，其中L＝D‑W＝∑idii‑∑ijwij,D为一对角矩阵，取值为邻接权重矩阵的行和，于是最小化损失函数Φ(Y)就转变成为求如下约束问题：Y＝arg min(YTLY)Subject to YTDY等价于求解广义特征值问题LY＝λDy中的最小的ks个非零特征值；步骤3、低维空间相似度量：步骤3‑1、计算步骤2‑3中k_s个非零特征值对应的特征向量，分别截取不同两帧下T₁与T₂个低维空间特征向量，令S₁为第i帧低维空间特征向量的集合，即S₂为第j帧低维空间特征向量的集合即步骤3‑2、利用Hausdorff距离计算S1与S2的相似性，即：dH(S1,S2)＝min(d(S1,S2),d(S2,S1)),其中步骤4、异常行为检测：步骤4‑1、异常行为检测可以归结为求解正常行为与异常行为在低维空间的相似度量，从正常行为视频中按照步骤1和步骤2提取不同的低维空间特征向量Sr,r＝{1,2,...,C}，C是不同类型的正常行为特征向量，此即为训练过程；步骤4‑2、在检测过程中，选用既含有正常行为也含有异常行为的视频进行检测，同样按照步骤1和步骤2提取不同的低维空间特征向量Stest，按照下面公式进行评估:Ptest＝exp(‑minr(dH(Stest,Sr))),r＝{1,2,...C}若Ptest在正常行为区间内则判断为正常行为，否则判断为异常行为。