[发明专利]基于高斯混合模型的人群中异常行为的检测方法

摘要

本发明基于高斯混合模型的人群中异常行为的检测方法，涉及应用电子设备进行识别图形的方法，首先在预处理阶段使用高斯混合模型对输入视频进行背景建模来提取ROI，并利用形态学方法消除背景的影响，然后将人群看作整体来提取ROI光流运动特征和SIFT运动特征，再对输入视频序列中的图像进行分块，按图像子块分配运动特征，对不同子块建立高斯混合模型，利用最大期望EM算法训练高斯混合模型，检测人群中异常行为的图像，克服了现有技术中在高密度场景下人群存在遮挡和光照变化给行人运动分析带来的干扰，同时监控视频下不同区域运动状态的不同也给人群异常行为检测模型的建立带来了干扰，容易造成误检的缺陷。

主权项

基于高斯混合模型的人群中异常行为的检测方法，其特征在于具体步骤如下：第一步，输入视频序列并进行预处理：(1.1)利用高斯混合模型对输入视频进行背景建模：将摄像头采集的含有人群的视频序列输入到计算机中，输入的视频帧为N帧，每帧图像共有L×H个像素点，将输入的所有视频帧转化为灰度图像Ii(i＝1,…,N)；对第i帧灰度图像Ii中每个像素点建立K个高斯混合模型，每个高斯混合模型共有四个参数：优先级s、权重w、均值m和方差v，首先将第i帧灰度图像Ii中的每个像素点的灰度值与对应的K个高斯混合模型逐个进行匹配，然后根据该像素点的匹配情况更新与其对应的高斯混合模型，匹配和更新的公式如下：|Ii(x,y)-mk|≤2.5vk(a)wk=(1-α)×wk+α(b)mk=(1-α)×mk+α×Ii(x,y)(c)vk=(1-α)×vk+α×(Ii(x,y)-mk)2(d)sk=wk/vk(e)---(1),]]>其中，Ii(x,y)表示第i帧灰度图像Ii位于坐标(x,y)处的灰度值，mk表示该坐标对应的第k个高斯混合模型的均值，1≤k≤K，vk表示第k个高斯混合模型的方差，α为学习效率，wk为第k个高斯混合模型的权重，sk为优先级，更新的过程是，当第Ii帧灰度图像中某像素点(x,y)处的灰度值Ii(x,y)与其第k个高斯混合模型匹配，即满足公式(1a)，则判断该像素点为背景点，并将其灰度值设置为0，然后根据公式(1b)‑(1e)更新第k个高斯混合模型的四个参数，反之当像素点(x,y)处的灰度值Ii(x,y)与其k个高斯混合模型均不匹配时，即不满足公式(1a)，则该像素点为前景点，并将其灰度值置为255，同时将该像素点的原始灰度值Ii(x,y)作为其对应的K个高斯混合模型中优先级最低的模型的均值mk；经过上述高斯混合模型的匹配与更新后，得到二值图像二值图像中的前景区域，即为初始的ROI，由此完成利用高斯混合模型对输入视频进行背景建模；(1.2)形态学处理：对上述(1.1)步得到的ROI进行中值滤波，再进行两次膨胀处理，填充ROI空洞，再将二值图像和第i帧灰度图像Ii进行“与”操作，保留第i帧灰度图像Ii与二值图像中前景区域位置相同的像素值，并将背景区域像素值设置为255，得到只含有运动物体的图像I′i，由此完成形态学处理；第二步，提取ROI光流运动特征和SIFT运动特征：(2.1)提取ROI各像素点的光流运动特征：利用金字塔LK光流法检测出上述(1.2)步得到的只含有运动物体的图像I′i和只含有运动物体的图像I′i+4中所有对应ROI内像素的位置坐标(x,y)和(x′,y′)，利用欧式距离公式计算两点之间的距离，得到各像素点的光流运动特征Fi，所用欧式距离公式(2)如下：Fi(x,y)＝((x′‑x)2+(y′‑y)2)1/2  (2)，其中Fi(x,y)为第i时刻只含有运动物体的图像I′i在4帧时间段内像素点的移动距离，即坐标点(x,y)处的像素点的光流运动特征Fi，由此得到ROI各像素点的光流运动特征；(2.2)提取ROI中图像I′i的SIFT运动特征：对上述(1.2)步得到的只含有运动物体的图像I′i和只含有运动物体的图像I′i+4提取SIFT运动特征，得到只含有运动物体的图像I′i和只含有运动物体的图像I′i+4的所有SIFT特征点描述，匹配上述I′i与I′i+4两幅图像的SIFT特征点，同时用RACSAN算法对匹配结果进行筛选，得到上述图像I′i与图像I′i+4匹配的特征点与由欧式距离公式(2)计算特征点与在4帧时间段内的移动距离，得到ROI中第i时刻只含有运动物体的图像I′i的SIFT运动特征Si；第三步，按图像子块分配运动特征：首先将上述(1.2)步得到的只含有运动物体的图像I′i分成M×M的不重叠的图像子块，然后将上述第二步得到的光流运动特征Fi和SIFT运动特征Si分别分配于对应的分块后的图像子块中，并将每一子块q(q＝1,2,…,M×M)中的光流运动特征Fi,q和SIFT运动特征Si,q串联成[Fi,q Si,q]，得到只含有运动物体的图像I′i中的每个图像子块的运动特征序列ti,q＝[ti,q,1,ti,q,2,…,ti,q,l]，其中i为所在帧序号，q为所在子块序号，l为第i帧第q个子块中包含光流运动特征点个数和SIFT运动特征点个数的总和，由此完成按图像子块分配运动特征；第四步，利用最大期望EM算法训练高斯混合模型：在上述三个步骤处理完所有输入视频图像后，将训练视频中每帧图像相应位置的子块的运动特征，包括光流运动特征Fi,q和SIFT运动特征Si,q，按照视频序列顺序串联后得到整个视频在每个子块的运动特征序列Tq＝[t1,q,t2,q,…,tN,q]，对每个子块建立R个高斯混合模型，使得每个子块对应R个高斯混合模型，用最大期望EM算法对高斯混合模型进行训练，至完成利用最大期望EM算法训练高斯混合模型；第五步，检测人群中异常行为的图像：将摄像头采集的待检测的含有人群的视频序列输入到计算机中，将输入的所有待检测的视频帧转化为灰度图像对待检测的第i帧灰度图像由上述第一、二、三步的方法得到该图像中第q个图像子块的运动特征序列ti,q，判断其中第j个特征ti,q,j是否符合上述第四步中对应利用最大期望EM算法训练的子块高斯混合模型，判断公式(4)如下：|ti,q,j-mq,r|≤2.5vq,r---(4),]]>对于满足上述判断公式(4)的高斯模型的ti,q,j，则判断该特征属于正常运动特征，反之则判断为异常运动特征，统计每个图像子块中异常运动特征的个数，将图像子块中异常特征个数超过三个的图像子块判断为异常块，对该异常块进行标注，并判断该图像为人群中异常行为的图像，由此检测出人群中异常行为的图像；至此完成人群中异常行为的检测。