[发明专利]视频场景下在线自适应的异常事件检测方法

摘要

本发明公开了一种视频场景下在线自适应的异常事件检测方法。本发明是基于三维光流直方图的时空域特征和在线自适应的异常事件检测的方法，该方法在特征提取阶段，使用三维光流直方图作为视频场景下基于时空域的前景目标运动的描述子，在异常事件检测阶段，使用在线自适应的方法来进行检测。本发明不仅在特征提取阶段使用了基于三维的光流直方图的时空域信息，而且在检测阶段使用在线自适应的方法，提升了异常事件检测模型对不同场景的适应性。

主权项

1.视频场景下在线自适应的异常事件检测方法，其特征在于包括如下步骤：步骤1、获取前景目标的初始运动模式；步骤2、获取新到来视频帧前景目标的运动模式；步骤3、异常事件检测；所述的步骤1的具体流程如下：1‑1、预处理；首先从视频流中解码得到前t帧视频帧作为初始化数据，然后对每个视频帧进行高斯滤波，其具体操作是：用一个模板扫描视频帧中的每一个像素，用模板确定邻域内像素的加权平均灰度值，并用该加权平均灰度值替代模板中心像素点的值；1‑2、特征提取；针对步骤1‑1中预处理后的视频帧，使用三维光流直方图的方法提取其时空域特征，具体实现过程包括以下两个部分：1‑2‑1、光流值的计算将步骤1‑1中高斯滤波后的视频帧作为输入，使用稠密光流法Horn‑Schunck计算相邻两帧间的光流值，以此可以得到前t帧的光流值，组成m×n×t大小的三维矩阵；1‑2‑2、建立时空域的特征描述子将步骤1‑2‑1中得到的三维矩阵m×n×t，使用逐像素采样的方法提取一个个大小相等的a×a1×a2的块区域，然后根据每个块区域内像素点的光流值，使用直方图估计的方法计算每个块区域的特征描述子；由于光流值为一个向量，其包含大小和方向两个信息，所以在统计过程中运用如下公式计算：上述将直方图分为两部分，每一部分的维数均为p/2维，若光流值小于某阈值，则将该光流值投影到直方图的第一部分，若大于等于该阈值则将其投影到直方图的第二部分；在每一部分中，式(1)又将360度的角度信息平均划分成了p/2个部分，并根据像素点的光流值投影到相应的角度范围中；取直方图的维数为16维，前后两部分各8维；1‑3、模糊C均值聚类；针对步骤1‑2计算得到的特征描述子，对其进行低级的模糊C均值聚类，得到编码本和隶属度信息，然后对视频样本，即前t帧视频帧进行重采样，根据低级的聚类结果重新构建特征描述子，并对其进行高级模糊C均值聚类；1‑4、阈值的选取根据步骤1‑3中高级聚类后得到的隶属度矩阵，分别得到空间域和时间域上的似然阈值和用获得的似然阈值和区分新到来视频帧中异常事件发生与否；步骤1‑4具体如下：首先通过公式(4)得到空间和时间域上两个不相交子集和然后使用公式(5)和(6)计算似然阈值和其中，参数ε是经验值，取为0.5；p_i表示第i个像素点；表示在空间域上第i个像素点关于第k个编码单词的隶属度值；表示在时间域上第i个像素点关于第k个编码单词的隶属度值；参数γ∈[0,1]，用于控制正常或异常检测率；|D|表示D中的成员数量；和分别表示从空间和时间编码本中的第k个编码单词中学习到的似然阈值；步骤2所述的获取新到来视频帧前景目标的运动模式，具体如下：2‑1、预处理；当有新的视频帧到来时，将新的视频帧作为输入，对其进行解码，并使用高斯滤波进行去噪处理；2‑2、特征提取；对步骤2‑1中高斯处理后的视频帧，首先使用稠密光流法计算该帧的前一帧与该帧的相邻两帧图像逐像素点的稠密光流值，然后，将新到来的视频帧与其前(a2‑1)帧组成新的m×n×a2大小的三维矩阵，然后，根据光流向量的大小和方向将块中每个像素点投票到直方图的相应区域中，从而得到每个块的直方图统计信息，即为该块的特征描述子；具体的特征提取计算方法同步骤1中1‑2的计算方法相同，均是使用三维光流直方图的方法提取其时空域特征；2‑3、模糊C均值聚类；首先，根据步骤2‑2中得到的特征描述子，对其进行低级的模糊C均值聚类，得到码本和隶属度信息；然后，对视频流进行重采样，并根据低级聚类后的结果，计算新采样样本的特征描述子；最后，对新采样样本的特征描述子进行高级聚类，得到高级聚类后的隶属度矩阵和将隶属度矩阵记为和其中为和分别表示在时刻t时空间和时间域上的隶属度矩阵；关于该阶段中模糊C均值的计算方法与步骤1中1‑3的计算方法相同；步骤3、异常事件检测；针对步骤2计算得到隶属度和得到新采样样本像素点的描述方法，如下所示：其中，表示在空间域上，基于第i个像素点的隶属度矩阵中隶属度最大的值；表示在空间域上，基于第i个像素点的隶属度矩阵中隶属度最大的值；对于一个新到来的视频序列Q中的第i个像素点q_i，判断其是否为异常的准则如下所示：其中，α和β是分别对于空间和时间的编码本中预选择的权值。