[发明专利]基于层次独立成分编码的运动异常检测方法

摘要

本发明公开了一种基于层次独立成分编码的运动异常检测，在获取光流区域块的第一层训练集基础上，构建归一化矩阵及其特征向量，并对特征向量进行正交化作为初始基元，采用双曲正切变换损失函数进行基元学习，挖掘运动高频模式作为S1层基元；使用S1层学习基元对光流图像卷积获得初始响应，采用截断线性校正获取C1层响应；对C1层响应利用空间采样构建第二层训练集，学习S2层独立成分基元，采用截断线性校正获取C2层响应，挖掘获得S3层独立成分基元；对测试视频序列的光流进行S1层、S2层、S3层基元的逐层卷积获得运动模式响应，利用聚类方法生成多聚类中心，使用多高斯核密度估计实现异常概率估计，实现运动异常检测和区域标记。

主权项

1.基于层次独立成分编码的运动异常检测方法，其特征在于：包括以下步骤：（1）、光流运动特征提取：输入视频，对获取的视频帧序列进行图像归一化，依据连续两帧的亮度信息，计算两帧像素之间的运动关系，根据Lucas–Kanade光流算法，获取光流特征；（2）、单层独立成分基元学习：首先对训练图像块集合进行归一化操作，对归一化后的图像块集合进行行向量变换，获得归一化后的矩阵；对归一化后的矩阵进行PCA特征值求解，选择求解获得的前M₁个特征向量作为初始化S1层的基元；然后使用Gram‑Schmidt算法对初始化S1层的基元进行正交化处理，计算双曲正切变换损失函数的梯度；最后对S1层正交化处理后的基元进行迭代更新，计算每次基元更新的变化量，将每次迭代过程中的基元更新量与阈值比较，当基元更新量小于阈值则记为收敛状态，同时停止迭代更新，记录收敛状态的S1层基元即为学习获得的S1层基元；（3）、层次独立成分基元学习：首先根据步骤（2）学习获得的S1层基元，利用学习获得的S1层基元对光流图像进行卷积，获得S1层基元响应，对S1层基元响应进行截断线性校正，分析基元响应的多通道，进行全局归一化，获得校正后并全局归一化的S1层基元响应；然后对校正后并全局归一化的S1层基元响应校正后并全局归一化的S1层基元响应进行局部最大值汇聚，形成C1层基元响应；最后由C1层基元响应依次获得S2层基元，C2层基元响应和S3层基元；（4）、建立基于高斯核密度估计的运动异常模型：首先计算层次独立成分编码的运动模式的C3层基元响应，对视频序列多帧C3层基元响应，进行滑动窗口采样，对获得的正常运动特征集合聚类，获得k个正常聚类中心，根据各聚类中心中包含的样本数，计算聚类的先验概率；然后对测试视频帧的C3层基元局部采样响应，计算高斯核密度，计算测试视频帧采样响应，以及所有正常模式的后验概率；最后从k个正常中心聚类的后验概率中，选取最大后验概率值对应的运动模式作为当前测试匹配的运动模式；将匹配模式的后验概率的倒数作为异常概率，该概率大于采样阈值被认为是异常区域，并进行区域标记。