[发明专利]基于多元对数高斯分布下视频特征的图结构规约方法

摘要

本发明属于视频特征优化的技术领域，具体涉及一种基于多元对数高斯分布下视频特征的图结构规约方法。基于多元对数高斯分布下视频特征的图结构规约方法，在保持视频特征的空间相关结构前提下，构建出光流特征网络图结构，图结构顶点处光流特征向量的相位信息蕴藏在序列光流场中，光流特征向量的幅度体现了在相连的两帧中目标的变化情况。鉴于光流特征向量幅度值均大于零，视频场景中图结构顶点处的光流特征向量的幅度服从多元对数高斯分布。本发明提出了一种有效降低特征数据量并能实现快速异常检测的视频特征的图结构规约方法。

主权项

1.基于多元对数高斯分布下视频特征的图结构规约方法，其特征在于包括如下步骤：步骤1：读入公开视频数据集UMN中的训练集与测试集的视频，选训练的正常视频帧，设置网格大小，利用金字塔LK光流算法求出视频集中运动光流特征(u,v)；其中，u为相邻两视频帧网格上目标运动的水平速度场大小，v为相邻两视频帧网格上目标运动的垂直速度场大小；步骤2：选取光流特征(u,v)高于划分运动阈值T的光流分量进行颜色编码，并不断累积记录颜色块的区域并得运动区域的边缘轮廓；步骤3：利用运动区域的边缘轮廓、网格位置与光流特征来构建光流特征图结构G；步骤4：对构建的光流特征图结构进行多次规约操作，通过光流特征图结构上顶点的减少，进一步减少相对应的光流特征数量，从而实现特征信息的优化；步骤5：在依次规约的图结构上，对送入的训练集与测试集的光流特征分别进行滤波并构建对应的特征词袋形式；步骤6：将训练集特征的词袋送入LDA‑iHMM联合空时模型中学习得到模型的参数及训练集每帧的对数似然函数，最后再将测试集的词袋中的光流特征向量作为已训练“正常”模型的输入进行视频的异常检测，得到测试集每一帧的对数似然函数；步骤7：测试集的对数似然函数与设定阈值进行相对比，若连续三帧测试集的对数似然函数均大于阈值Th时，该视频帧判定为异常，反之则判定为正常；直到整个测试视频集全部检测完成。