[发明专利]基于多示例和时间序列的监控视频异常事件检测方法

摘要

本发明涉及了一种基于多示例和时间序列的监控视频异常事件检测方法。特征提取阶段，采用多示例划分的概念将视频流中的每一个图像帧视为一个图像包，并将每个包划分成多个互不相交的示例，然后将同属一个区域的示例按照时间顺序重新组合在一起形成相应的示例流。在特征建模阶段，对采样块中的连续视频帧运用时间序列对其进行建模，并预测后续的运动趋势得到对应的预测区间，再对相互重叠的预测区间进行合并直到所有区间之间互不相交。最后根据实际值与各个预测区间之间的关系来进行异常事件的判断。本发明在保证准确率的前提下，降低了检测的时间复杂度。

主权项

1.基于多示例和时间序列的监控视频异常事件检测方法，其特征在于包括如下步骤：步骤1：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2：多示例划分；对视频图像的每一帧图像视为一个图像包，将其进行多示例划分，并将划分之后区域位置相同的示例组合成相应的示例流，输出一系列的示例流；步骤3：重叠采样；对每一个示例流进行大小固定的重叠采样，输出一系列的视频采样块；步骤4：光流特征提取；对于每一个视频采样块，首先计算采样块中每一帧图像每个像素点的光流向量，再将所有像素点的光流向量进行取平均操作，得到每一帧图像的光流特征，再将采样块中所有图像的特征组合在一起，得到采样块的光流特征，输出对应的采样块光流特征；步骤5：时间序列预测；将每个视频采样块中连续的视频图像帧视为一个时间序列，运用ARIMA时间序列算法对后续运动情况进行预测，输出采样块后续运动的预测值；步骤6：预测区间合并；对于每一个采样块均能得到一个以预测值为中心的δ领域，将所有两两相交的领域进行合并，最终得到一系列互补相交的预测区间；步骤7：异常事件判断；对于测试视频的每帧图像进行采样，如果采样块的光流值不位于任何一个预测区间内，就将该采样块视为异常；在得到采样块的局部异常之后，再根据图像多示例的划分将局部异常转化为帧级别的全局异常。