專利名稱：基于運(yùn)動向量歸類分析的異常行為檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種視頻處理分析技術(shù)領(lǐng)域的方法，具體是一種基于運(yùn)動向量歸類分析的異常行為檢測方法和裝置。
背景技術(shù)：
異常行為檢測是視頻監(jiān)控和視頻分析中的重要內(nèi)容，在社區(qū)安防、家庭護(hù)理、交通管理等方面有著廣泛的應(yīng)用。目前的異常行為檢測算法主要是通過在視頻中分割出目標(biāo)并提取特征，并通過事先訓(xùn)練好的分類器或預(yù)設(shè)的判定條件來進(jìn)行判別的?，F(xiàn)有的大多數(shù)異常事件檢測方法都是在像素域進(jìn)行的。比如Him Zhong等人在 〈〈2004International Conference on Computer Vision and PatternRecognition)) (2004 年計(jì)算機(jī)視覺和模式識別會議集)第819到擬6頁發(fā)表的“Detecting Unusual Activity in Video”(檢測視頻中的非正常行為)論文中提出從原始像素域視頻中提取空間直方圖 (spatial histogram) ^ /^ IS^fflil[njfifift, (vector quantization) ^MMlij 最終的原形特征(prototype features)來檢測異常行為。然而，這些基于像素域的方法大多復(fù)雜度很高，往往難以達(dá)到實(shí)時(shí)性的要求。同時(shí)，由于實(shí)際生活中大多數(shù)視頻都是以壓縮域的格式進(jìn)行存儲，在處理這些視頻時(shí)，像素域方法往往需要更大的復(fù)雜度。此外，也有一些基于變換域的檢測方法提出。比如，Haowei Liu等人在《2010 International Symposium on Circuits and Systems〉〉(2010 年電路與系統(tǒng)會議集)第 3693 至Ij 3696 頁發(fā)表的“Video activity detection using compressed domain motion trajectories for H. 264 videos”(在H. 264壓縮域視頻中使用運(yùn)動軌跡進(jìn)行行為檢測) 論文中提出在壓縮域視頻中提取目標(biāo)的運(yùn)動軌跡，并以此來識別目標(biāo)的異常行為。這些基于變換域的算法由于是從已有的壓縮視頻中提取特征，其運(yùn)算復(fù)雜度可以顯著降低。然而現(xiàn)有的壓縮域方法提取的特征往往過于簡單而達(dá)不到令人滿意的性能。因此，需要考慮更有效的異常行為檢測算法，同時(shí)在算法復(fù)雜度和性能上達(dá)到優(yōu)化。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有方法存在的上述不足，提出了一種基于運(yùn)動向量歸類分析的方法。該方法通過對視頻中相鄰幀之間的運(yùn)動向量進(jìn)行分類，從而提取出運(yùn)動目標(biāo)的有效信息，并基于此信息進(jìn)行異常行為識別。本發(fā)明中所使用的運(yùn)動向量信息可以從已有的壓縮域視頻中提取，從而大大降低運(yùn)算復(fù)雜度；也可以從像素域中直接計(jì)算得到，從而方便地嵌入到現(xiàn)有的大多數(shù)像素域算法框架中。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟—種基于運(yùn)動向量歸類分析的異常行為檢測方法，包括(1)從相鄰幀之間提取當(dāng)前幀的運(yùn)動向量信息，相鄰幀之間的運(yùn)動向量信息是由多個(gè)運(yùn)動向量所組成的場，其中每個(gè)運(yùn)動向量對應(yīng)一幀中的一個(gè)像素塊或一個(gè)像素；(2)根據(jù)該些運(yùn)動向量信息計(jì)算對應(yīng)像素塊或像素之間的時(shí)間和/或空間相關(guān)性；(3)根據(jù)步驟( 得到的時(shí)間和/或空間的相關(guān)性，對像素塊或像素的特征進(jìn)行分類，從中區(qū)分包括出不規(guī)則運(yùn)動向量、規(guī)則運(yùn)動向量、背景向量在內(nèi)的向量信息；(4)選取分類至不規(guī)則運(yùn)動向量類的像素塊或像素，從中提取特征信息；(5)基于步驟(4)提取的特征信息與預(yù)先設(shè)定的域值比對，確定是否存在異常行為。本發(fā)明的原理是，由于目標(biāo)的各種行為和動作往往會在運(yùn)動向量之間的時(shí)空相關(guān)性上產(chǎn)生不同的影響，通過對運(yùn)動向量時(shí)空相關(guān)性的分析和分類，就能提取出能有效區(qū)分正常和異常行為的特征信息，從而達(dá)到異常行為檢測的目的。同時(shí)，由于現(xiàn)有的大多數(shù)已有的壓縮域視頻中都已包含運(yùn)動向量信息，因此本發(fā)明在對壓縮域視頻進(jìn)行檢測時(shí)，只需很少的額外計(jì)算量就能有效地進(jìn)行異常行為檢測。與現(xiàn)有技術(shù)相比，本發(fā)明通過對運(yùn)動向量進(jìn)行分類提取特性信息進(jìn)行行為識別，額外復(fù)雜度低，且既能在壓縮域也能在像素域?qū)嵤?靈活性高。


圖1是本發(fā)明方法的流程圖；
具體實(shí)施例方式下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例本實(shí)施例包括以下步驟第一步、提取相鄰幀之間的運(yùn)動向量信息，在本實(shí)例中，我們將當(dāng)前幀圖像分為 16X16大小且互不交疊的正方形像素塊并對每個(gè)像素塊分別求其運(yùn)動向量，形成一個(gè)運(yùn)動向量場。提取運(yùn)動向量的基本方法與Liu文中提到的H. 264運(yùn)動估計(jì)的算法一致。具體是指mvM = C0ST(J)其中，MV(x,y)是當(dāng)前幀中處于(X，y)位置的像素塊對應(yīng)的運(yùn)動向量(本實(shí)例中，我們用B(x，y)表示處于(x，y)位置的像素塊，其中像素塊位置指的是像素塊中最左上角的像素在一幀中的位置)。(i，j)對應(yīng)前一幀中像素塊B(i，j)的位置，i和j的取值范圍是以 χ和y為中心以r為半徑一個(gè)矩形鄰域，即x-r彡i彡x+r, y-r彡j彡y+r，在本實(shí)例中，r 取值為32 ；COST是當(dāng)前像素塊和前一幀像素塊的代價(jià)函數(shù)，即
權(quán)利要求
1.一種基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于，包括(1)從相鄰幀之間提取當(dāng)前幀的運(yùn)動向量信息，相鄰幀之間的運(yùn)動向量信息是由多個(gè)運(yùn)動向量所組成的場，其中每個(gè)運(yùn)動向量對應(yīng)一幀中的一個(gè)像素塊或一個(gè)像素；(2)根據(jù)該些運(yùn)動向量信息計(jì)算對應(yīng)像素塊或像素之間的時(shí)間和空間相關(guān)性；(3)根據(jù)步驟( 得到的時(shí)間和空間的相關(guān)性，對像素塊或像素的特征進(jìn)行分類，從中區(qū)分包括出不規(guī)則運(yùn)動向量、規(guī)則運(yùn)動向量、背景向量在內(nèi)的向量信息；(4)選取分類至不規(guī)則運(yùn)動向量類的像素塊或像素，從中提取特征信息；(5)基于步驟(4)提取的特征信息與預(yù)先設(shè)定的域值比對，確定是否存在異常行為。
2.如權(quán)利要求1所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于，步驟(1)中從相鄰幀之間提取當(dāng)前幀的運(yùn)動向量信息為利用下述兩種方法之一實(shí)現(xiàn)的向量方法一直接利用壓縮域視頻中已有運(yùn)動向量作為的向量，方法二 從像素域中利用包括運(yùn)動估計(jì)或光流場在內(nèi)方法生成的向量。
3.根據(jù)權(quán)利要求2所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于，步驟(1)中利用運(yùn)動估計(jì)生成運(yùn)動向量的方法進(jìn)一步包括 MVix v. = min COST(x -i,y- j)其中，MV(x，y)是當(dāng)前幀中處于(x，y)位置的像素塊對應(yīng)的運(yùn)動向量(本實(shí)例中，我們用B(x，y)表示處于(X，y)位置的像素塊，其中像素塊位置指的是像素塊中最左上角的像素在一幀中的位置)。(i，j)對應(yīng)前一幀中像素塊B(i，j)的位置，i和j的取值范圍是以 χ和y為中心以r為半徑一個(gè)矩形鄰域，即x-r < i < x+r,y-r ( j ( y+r，C0ST是當(dāng)前像素塊和前一幀像素塊的代價(jià)函數(shù)。
4.根據(jù)權(quán)利要求3所述的利用運(yùn)動估計(jì)生成運(yùn)動向量的方法，在利用運(yùn)動估計(jì)生成運(yùn)動向量時(shí)使用的代價(jià)函數(shù)為C0ST(x-i, y-j) = SAD(x-i, y-j) + A · R(mv(x-i, y-j))其中，R(mv(X-i，y-j))是當(dāng)前像素塊B(x，y)和前一幀像素塊B(i，j)之間向量長度的代價(jià)，λ是一個(gè)參數(shù)，R和λ的具體取值和算法與Liu文中提到的H. 264運(yùn)動估計(jì)算法一致。SAD(x-i，y-j)是像素塊之間的絕對差值和x+B,y+BSAD(x-i,y-j)= ￡| sfk, l]-c[k-(x-i),l-(y-j)]\k=xj=y其中，sR，l]是當(dāng)前像素塊(x，y)中的一個(gè)像素，(3&-0^-1)，1-(71·)]是前一幀像素塊B(i，j)中的一個(gè)像素；B是像素塊的大小。
5.根據(jù)權(quán)利要求1或4所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于，步驟⑵中包括兩種當(dāng)前像素塊B (X，y)的時(shí)間和空間相關(guān)性(1)COST(x, y)即當(dāng)前像素塊和其在前一幀中最匹配像素塊MV(x，y)對應(yīng)的塊之間的代價(jià)函數(shù)值；(2)即當(dāng)前像素塊的空間預(yù)測運(yùn)動向量和時(shí)間預(yù)測運(yùn)動向量的差值；其中，是在前一幀中，位于(x，y)位置的像素塊對應(yīng)的運(yùn)動向量；PMV(x，y)是對當(dāng)前像素塊B (X，y)運(yùn)動向量的預(yù)測值。
6.根據(jù)權(quán)利要求5所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于，提取出的運(yùn)動向量計(jì)算各像素塊之間的時(shí)間和空間相關(guān)性的方法，其中對當(dāng)前像素塊和其在前一幀中最匹配像素塊之間的代價(jià)函數(shù)進(jìn)一步包含下面三種形式由權(quán)利要求4中定義的代價(jià)函數(shù)方法計(jì)算得到的像素塊之間的絕對差值和
7.根據(jù)權(quán)利要求5所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于， 其中對當(dāng)前像素塊B (X，y)運(yùn)動向量的預(yù)測值PMV (X，y)為
8.根據(jù)權(quán)利要求5所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于， 步驟( 進(jìn)一步包括
9.根據(jù)權(quán)利要求1所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于 步驟( 進(jìn)一步包括
10.根據(jù)權(quán)利要求1所述的基于運(yùn)動向量歸類分析的異常行為檢測方法，其特征在于 步驟(5)中提取的特征信息與預(yù)先設(shè)定的域值比對，確定是否存在異常行為進(jìn)一步為
全文摘要
一種基于運(yùn)動向量歸類分析的異常行為檢測方法，包括(1)從相鄰幀之間提取當(dāng)前幀的運(yùn)動向量信息，相鄰幀之間的運(yùn)動向量信息是由多個(gè)運(yùn)動向量所組成的場，其中每個(gè)運(yùn)動向量對應(yīng)一幀中的一個(gè)像素塊或一個(gè)像素；(2)根據(jù)該些運(yùn)動向量信息計(jì)算對應(yīng)像素塊或像素之間的時(shí)間和空間相關(guān)性；(3)根據(jù)步驟(2)得到的時(shí)間和空間的相關(guān)性，對像素塊或像素的特征進(jìn)行分類，從中區(qū)分包括出不規(guī)則運(yùn)動向量、規(guī)則運(yùn)動向量、背景向量在內(nèi)的向量信息；(4)選取分類至不規(guī)則運(yùn)動向量類的像素塊或像素，從中提取特征信息；(5)基于步驟(4)提取的特征信息與預(yù)先設(shè)定的域值比對，確定是否存在異常行為。本發(fā)明通過對運(yùn)動向量進(jìn)行分類提取特性信息進(jìn)行行為識別，額外復(fù)雜度低，且既能在壓縮域也能在像素域?qū)嵤`活性高。
文檔編號G06T7/20GK102254329SQ20111023715
公開日2011年11月23日 申請日期2011年8月18日 優(yōu)先權(quán)日2011年8月18日
發(fā)明者乞炳誠, 林巍峣 申請人:上海方奧通信技術(shù)有限公司