[发明专利]基于时空兴趣点降噪的监控视频异常事件检测方法

摘要

本发明涉及了基于时空兴趣点降噪的监控视频异常事件检测方法。本发明采用了分层特征表示的方法，用时空兴趣点作为低级特征表示局部事件，通过C均值聚类学习低级码本，通过K近邻距离与阈值的比较判断局部异常事件；用多个时空兴趣点构成的集合体作为高级特征来表示全局事件，利用贪婪聚类算法学习高级码本并对每个码本进行最小二乘法建模，通过集合体与模板的最小二乘距离判断全局异常事件。本发明不仅在局部事件的表示阶段通过前景掩码对时空兴趣点的筛选严格限制了异常的分析区域，而且在建立全局事件检测模型的时候使用最小二乘法，在保证基本准确率的前提下，降低了检测的时间复杂度和计算复杂度。

主权项

基于时空兴趣点降噪的监控视频异常事件检测方法，其特征在于该方法包括以下步骤：步骤S101、图像预处理：读取监控视频流作为输入，进行灰度化并使用高斯滤波进行降噪处理；步骤S102、时空兴趣点降噪：对降噪后的视频提取时空兴趣点并利用ViBe算法计算前景掩码，用前景掩码对时空兴趣点过滤进行一步降噪；步骤S103、局部事件表示：计算关于降噪后的时空兴趣点HOG3D特征，用HOG3D特征作为低级特征表示局部事件；步骤S104、局部检测模型构建：对时空兴趣点的特征向量进行K均值聚类，获得训练数据的码本，计算局部K近邻距离阈值；步骤S105、局部异常事件判断：计算测试时空兴趣点特征向量到训练码本的K近邻距离，与经验阈值进行比较，判断局部异常事件；步骤S106、全局事件表示：通过窗口滑动采样，获得由时空兴趣点构成集合体，用集合体作为高级特征表示全局事件；步骤S107、建立全局事件模板：通过自底向上的贪婪聚类算法进行聚类，建立全局事件的模板，即集合体的模板；步骤S108、全局检测模型构建：利用最小二乘模型对每个全局事件的模板建模；步骤S109、全局异常事件判断：寻找与测试集合体最匹配的模型，计算集合体中每个时空兴趣点与该模型的最小二乘距离，如果最小二乘距离大于经验阈值时则该兴趣点所在位置判断为全局异常事件。