一種采用單類(lèi)序列化模型的人群異常行為檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)一種基于單類(lèi)序列化模型的人群異常行為檢測(cè)方法，該方法包括區(qū)域社會(huì)力特征的提取、支持向量描述模型(SVDD)監(jiān)測(cè)、異常定位等主要部分。該方法在區(qū)域社會(huì)力特征提取前采用統(tǒng)計(jì)的方法除去背景，排除背景區(qū)域位置的光流場(chǎng)；采用在線(xiàn)更新的SVDD模型對(duì)視頻中人群的異常行為進(jìn)行實(shí)時(shí)的檢測(cè)；并根據(jù)視頻數(shù)據(jù)的序列性特征，對(duì)檢測(cè)結(jié)果采取連續(xù)密度的隱馬爾可夫模型來(lái)平滑處理。本方法具有良好的實(shí)時(shí)性，較好的準(zhǔn)確度。可用于安防監(jiān)控等領(lǐng)域。
【專(zhuān)利說(shuō)明】一種采用單類(lèi)序列化模型的人群異常行為檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，更具體地，涉及一種采用單類(lèi)序列化模型的人群異常行為檢測(cè)方法。

【背景技術(shù)】
[0002]隨著計(jì)算機(jī)技術(shù)的不斷更新，互聯(lián)網(wǎng)傳輸速度的大幅度提升，手持視頻記錄設(shè)備逐步大眾化，數(shù)字視頻成為日益重要的呈現(xiàn)和表達(dá)信息的一種新型載體。由于視頻數(shù)據(jù)形象生動(dòng)、直觀(guān)的表現(xiàn)力，深受人們所喜愛(ài)，正呈爆炸式增長(zhǎng)。面對(duì)數(shù)量如此之多、內(nèi)容如此豐富的視頻，如何對(duì)視頻中異常事件監(jiān)控已成為視頻領(lǐng)域急需解決的問(wèn)題之一。
[0003]在公共場(chǎng)所中，人群視頻異常檢測(cè)技術(shù)可以用于保障個(gè)人的生命財(cái)產(chǎn)安全以及維持公共秩序。無(wú)論是在超市、機(jī)場(chǎng)、交通道路等人群比較密集的地方，還是在私人住宅、地下停車(chē)場(chǎng)等一些人流稀少的地方，若能夠?qū)θ巳哼M(jìn)行監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)人群異常行為，就可以及時(shí)采取相應(yīng)的解決方案，避免意外事件的發(fā)生，但是大多數(shù)傳統(tǒng)的監(jiān)控系統(tǒng)都需要人工來(lái)完成，耗費(fèi)大量的人力、物力、財(cái)力，同時(shí)人長(zhǎng)時(shí)間專(zhuān)注于一件事情，可能會(huì)疏忽某些異常行為，從而帶來(lái)嚴(yán)重的后果。
[0004]專(zhuān)利申請(qǐng)?zhí)枮?01110090467.6的“一種基于改進(jìn)的社會(huì)力模型的異常集群行為檢測(cè)方法”，是用于解決復(fù)雜高度密集場(chǎng)景中人群異常行為的檢測(cè)與定位，考慮到行人速度對(duì)相互間作用力的影響，使其更好地描述行人間的速度場(chǎng)，即行人受到的社會(huì)力。用光流法跟蹤均勻分布在前景像素中的粒子，得到行人的速度場(chǎng)，用改進(jìn)的社會(huì)力模型，計(jì)算出行人受到的社會(huì)力。統(tǒng)計(jì)每個(gè)前景矩形塊行人的速度和受力，設(shè)定閾值，判斷每個(gè)矩形塊中行人行為不穩(wěn)定的級(jí)別，并視不穩(wěn)定性高的矩形塊為異常塊，既能檢測(cè)異常行為又能通過(guò)矩形塊對(duì)異常行為進(jìn)行準(zhǔn)確的定位，但該方法較為復(fù)雜，需要進(jìn)行背景建模、前景提取以及目標(biāo)檢測(cè)與跟蹤等處理。


【發(fā)明內(nèi)容】

[0005]為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問(wèn)題，本發(fā)明提出了一種采用單類(lèi)序列化模型的人群異常行為檢測(cè)方法，該方法是基于視頻序列性特征的人群異常行為檢測(cè)方法，該方法能有效地解決了人工監(jiān)測(cè)帶來(lái)的時(shí)間和成本問(wèn)題，同時(shí)提高了人群異常檢測(cè)的準(zhǔn)確率。
[0006]為了解決上述問(wèn)題，本發(fā)明的技術(shù)方案為:
[0007]—種基于單類(lèi)序列化模型的人群異常行為檢測(cè)方法，獲取人群視頻圖像，將每一幀圖像用同一組均勻的橫向以及縱向的網(wǎng)格線(xiàn)分隔成多個(gè)區(qū)域單元，采用基于區(qū)域社會(huì)力ASF的特征來(lái)表示圖像，
[0008]在訓(xùn)練過(guò)程中，結(jié)合區(qū)域社會(huì)力特征訓(xùn)練得到支持向量數(shù)據(jù)描述SVDD模型；
[0009]在測(cè)試過(guò)程中，結(jié)合支持向量數(shù)據(jù)描述的定時(shí)在線(xiàn)更新的SVDD模型來(lái)檢測(cè)人群異常，基于視頻數(shù)據(jù)的序列性特征，采取連續(xù)密度的隱馬爾可夫模型CDHMM來(lái)平滑處理異常檢測(cè)結(jié)果，得到基于區(qū)域社會(huì)力的單類(lèi)序列化模型的ASF+SVDD人群異常檢測(cè)，實(shí)現(xiàn)異常定位。
[0010]由于每幀圖像的粒子數(shù)目是各不相同的，但可用于模型的特征的維度都必須是相同，為此本發(fā)明引入?yún)^(qū)域社會(huì)力模型。具體的，本方法首先提取圖像的區(qū)域社會(huì)力(ASF)特征；然后采用支持向量數(shù)據(jù)描述模型(SVDD)來(lái)進(jìn)行異常檢測(cè)，該過(guò)程包括檢測(cè)模型SVDD的訓(xùn)練學(xué)習(xí)以及使用學(xué)習(xí)到的模型來(lái)預(yù)測(cè)樣本異常與否；最后進(jìn)行異常的定位，基于視頻數(shù)據(jù)的序列性特征，采取連續(xù)密度的隱馬爾可夫模型(CDHMM)來(lái)平滑處理異常檢測(cè)結(jié)果，得到基于區(qū)域社會(huì)力的單類(lèi)序列化模型的ASF+SVDD異常檢測(cè)方法。
[0011]進(jìn)一步，在基于區(qū)域社會(huì)力特征提取前，采用統(tǒng)計(jì)的方法，去除所有場(chǎng)景圖像的干擾，剔除場(chǎng)景圖像的粒子光流，具體流程:
[0012]I)對(duì)圖像中所有的幀計(jì)算任意兩幀之間的灰度差，將灰度差小于閾值τ的點(diǎn)標(biāo)記為背景點(diǎn)；
[0013]2)統(tǒng)計(jì)所有幀中各個(gè)位置被標(biāo)記為背景點(diǎn)的次數(shù)，得到整個(gè)視頻的區(qū)域活動(dòng)圖；
[0014]3)若該位置被標(biāo)記為背景點(diǎn)的次數(shù)超過(guò)總次數(shù)的比例Π，則將其標(biāo)記為整個(gè)視頻的背景點(diǎn)，得到新的活動(dòng)圖；其中n不可以設(shè)置的太高，若為ιοο%則不允許任何噪聲點(diǎn)，若是設(shè)置過(guò)低，又會(huì)剔除過(guò)多的活動(dòng)區(qū)域，把一些前景的區(qū)域誤判為背景區(qū)域；
[0015]4)將步驟3)得到的活動(dòng)圖作為掩碼圖，與樣本進(jìn)行“與”操作，即可將樣本的背景區(qū)域去除。
[0016]更進(jìn)一步，本文中設(shè)定所有的粒子都處在前景的邊框上；為了適應(yīng)不同的人群密度，在計(jì)算區(qū)域社會(huì)力時(shí)每次都需要重新對(duì)依據(jù)上述方法除去背景區(qū)域后的場(chǎng)景圖像的前景輪廓采樣，即每個(gè)粒子的生命周期只有I幀。
[0017]實(shí)際上，每個(gè)區(qū)域的人群的行走速度在統(tǒng)計(jì)意義上和具體區(qū)域的位置無(wú)關(guān)，每個(gè)人群總體的光流場(chǎng)值是一致的，對(duì)每個(gè)區(qū)域，在計(jì)算區(qū)域社會(huì)力之前，可以將各人群區(qū)域的光流場(chǎng)歸一化至同一個(gè)總體光流場(chǎng)值，本發(fā)明采用的是標(biāo)準(zhǔn)歸一化到O均值和I方差的方法。
[0018]隨著時(shí)間的推移，人群視頻中主導(dǎo)的正常行為模式可能會(huì)發(fā)生改變，因而也決定了人群視頻中異常行為的模式是和時(shí)間相關(guān)的，為此本發(fā)明采用在線(xiàn)定時(shí)更新的改進(jìn)的SVDD模型。訓(xùn)練時(shí)，可計(jì)算出一個(gè)由支持向量確定的SVDD模型，將這些支持向量保存起來(lái)。而在預(yù)測(cè)時(shí)，根據(jù)支持向量計(jì)算測(cè)試樣本到SVDD模型球體中心的距離，同時(shí)更新該模型的參數(shù)。在測(cè)試過(guò)程中，采用定時(shí)在線(xiàn)更新的方式更新SVDD模型，定時(shí)在線(xiàn)更新的具體過(guò)程如下:
[0019]維護(hù)工作集P1，初始P1為支持向量集，初始時(shí)間計(jì)數(shù)器count為0，定時(shí)更新時(shí)間為ut, f (T)為高斯權(quán)重函數(shù)，&為篩選的權(quán)重:
[0020]21)當(dāng)有新的測(cè)試樣本X到達(dá)時(shí)，所有的樣本包括這個(gè)測(cè)試樣本的時(shí)間都增加I,時(shí)間計(jì)數(shù)器count增加I ;
[0021]22)使用當(dāng)前的SVDD模型預(yù)測(cè)樣本X，若x為正常樣本，則將x并入到工作集中，同時(shí)將X的權(quán)重設(shè)為一個(gè)較小的值f (O)，樣本X的時(shí)間重設(shè)為O ;
[0022]23)按照權(quán)重函數(shù)w = f (T)更新工作集P1中所有數(shù)據(jù)的權(quán)重，并將工作集中數(shù)據(jù)權(quán)重值小于沒(méi)的樣本從工作集中刪除；
[0023]24)若時(shí)間計(jì)數(shù)器count的值超過(guò)定時(shí)更新時(shí)間，則根據(jù)當(dāng)前的工作集Pl更新SVDD模型，同時(shí)將時(shí)間計(jì)數(shù)器重置為O ;
[0024]25)若還有新的測(cè)試樣本，則執(zhí)行步驟21)。
[0025]由于視頻數(shù)據(jù)的序列性，異常幀的臨近幀的異常的概率通常比正常幀的異常概率期望值更大，若忽視這些信息，當(dāng)出現(xiàn)噪聲擾動(dòng)時(shí)，誤判的概率比較大，因此本文采用連續(xù)密度的隱馬爾可夫模型(CDHMM)平滑算法，來(lái)減少誤判，提高異常檢測(cè)的準(zhǔn)確率。
[0026]由于異常的狀態(tài)判斷由SVDD模型的距離向量決定，因而可取最大距離作為判斷依據(jù)。異常所在的區(qū)域社會(huì)力大于其他區(qū)域的社會(huì)力，因而可選擇具有最大區(qū)域社會(huì)力的位置作為異常發(fā)生的位置，將之與實(shí)際異常位置進(jìn)行與操作，若交集面積超過(guò)實(shí)際面積的40 %，則視為一次正確的檢測(cè)，否則檢測(cè)出錯(cuò)。
[0027]本發(fā)明與現(xiàn)有的技術(shù)相比:本發(fā)明公開(kāi)的一種適合人群異常行為檢測(cè)的單類(lèi)序列化模型，將視頻序列數(shù)據(jù)采用統(tǒng)計(jì)的方法除去背景，提取出基于區(qū)域社會(huì)力模型的特征，并將提取的樣本特征有效地組合為一系列的子樣本，訓(xùn)練SVDD模型，并在檢測(cè)時(shí)在線(xiàn)更新SVDD模型，最后將由在線(xiàn)更新的SVDD模型得到的距離向量作為⑶HMM模型的觀(guān)察序列，通過(guò)最大化觀(guān)察序列的概率得到對(duì)應(yīng)的最佳隱狀態(tài)序列，將其進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換，輸出最終結(jié)果，判決檢測(cè)人群恐慌、人群踩踏等人群異常行為。
[0028]通過(guò)驗(yàn)證，本申請(qǐng)?zhí)岢龅膯晤?lèi)序列化模型的人群異常行為分析的方法具有較好的實(shí)時(shí)性，準(zhǔn)確性。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0029]圖1為基于單類(lèi)序列化模型的人群異常行為分析方法的流程圖。
[0030]圖2為區(qū)域社會(huì)力的提取流程。

【具體實(shí)施方式】
[0031]下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的描述，但本發(fā)明的實(shí)施方式并不限于此。
[0032]參照?qǐng)D1，單類(lèi)序列化模型的人群異常行為檢測(cè)的方法是:采用基于區(qū)域社會(huì)力(ASF)的特征來(lái)表示圖像。社會(huì)力特征是一種利用視頻的光流信息的簡(jiǎn)單特征子，在很好的表達(dá)視頻數(shù)據(jù)信息的同時(shí)也獲得可接受的計(jì)算復(fù)雜度。由于每幀圖像的粒子數(shù)目是各不相同的，但可用于模型的特征的維度都必須相同，為此引入?yún)^(qū)域社會(huì)力模型，具體做法如下:
[0033](1.1)將每一幀圖像用同一組均勻的橫向以及縱向的網(wǎng)格線(xiàn)分隔成多個(gè)區(qū)域單元，每個(gè)區(qū)域只包含O個(gè)、I個(gè)或者很少的幾個(gè)個(gè)體；
[0034](1.2)對(duì)于每一個(gè)區(qū)域、去除速度為O的粒子后，計(jì)算該區(qū)域的粒子的平均速度，即為該區(qū)域的主要光流場(chǎng)；
[0035](1.3)計(jì)算區(qū)域社會(huì)力。
[0036]在基于區(qū)域社會(huì)力特征提取前，需排除背景區(qū)域位置的光流場(chǎng)，本實(shí)施例中采用統(tǒng)計(jì)的方法，具體流程:
[0037](2.1)對(duì)所有幀計(jì)算任意兩幀之間的灰度差，將灰度差小于閾值τ的點(diǎn)標(biāo)記為背景點(diǎn)；
[0038](2.2)統(tǒng)計(jì)所有幀的各個(gè)位置被標(biāo)記為背景點(diǎn)的次數(shù)，得到整個(gè)視頻的區(qū)域活動(dòng)圖；
[0039](2.3)若該位置被標(biāo)記為背景點(diǎn)的次數(shù)超過(guò)總次數(shù)的比例η，(其中η不可以設(shè)置太高，若為100%則不允許任何噪聲點(diǎn)，若是設(shè)置過(guò)低，又會(huì)剔除過(guò)多的活動(dòng)區(qū)域，把一些前景的區(qū)域誤判為背景區(qū)域，本方法將η設(shè)置為0.95)則將其標(biāo)記為整個(gè)視頻的背景點(diǎn)，得到新的活動(dòng)圖；
[0040](2.4)將步驟(2.3)中得到的活動(dòng)圖作為掩碼圖，與樣本(訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù))進(jìn)行與操作，即可將樣本的背景區(qū)域去除。
[0041]結(jié)合區(qū)域社會(huì)力特征就可以訓(xùn)練支持向量數(shù)據(jù)描述(SVDD)模型，并用之來(lái)檢測(cè)異常。
[0042]SVDD模型是一種單類(lèi)學(xué)習(xí)的數(shù)據(jù)降維的模型，在視頻數(shù)據(jù)中，位于相鄰區(qū)域的個(gè)體會(huì)相互影響，且這種影響是隨著距離的增加而減少的。在本發(fā)明的模型中定義一個(gè)塊窗口，其中每個(gè)塊窗口為一個(gè)區(qū)域行為模式，將所提取的區(qū)域社會(huì)力特征形成一個(gè)區(qū)域模式，把整個(gè)原始特征劃分為m個(gè)區(qū)域行為模式，近似認(rèn)為每個(gè)區(qū)域行為模式之間是相互獨(dú)立的，這樣可分別訓(xùn)練m個(gè)獨(dú)立的SVDD模型。每當(dāng)新的測(cè)試樣本到達(dá)，計(jì)算其到每個(gè)模型球體中心的距離，得到一個(gè)m維的距離向量的結(jié)果。根據(jù)木桶短板原理，在距離向量中，整個(gè)m維的距離向量可以由該向量中的最大元素(即最大值)來(lái)替代以判斷是否異常。
[0043]在測(cè)試樣本時(shí)，本方法采用改進(jìn)的在線(xiàn)更新的SVDD模型。定時(shí)在線(xiàn)更新過(guò)程如下(維護(hù)工作集P1，初始P1為支持向量集，初始時(shí)間計(jì)數(shù)器count為0，定時(shí)更新時(shí)間為ut，f (T)為高斯權(quán)重函數(shù) ，《9為篩選權(quán)重):
[0044](2.1)當(dāng)有新的測(cè)試樣本X到達(dá)時(shí)，所有的樣本包括這個(gè)測(cè)試樣本的時(shí)間都增加I，時(shí)間計(jì)數(shù)器count增加I ;
[0045](2.2)使用當(dāng)前的SVDD模型預(yù)測(cè)樣本X，若X為正常樣本，則將X并入到工作集中，同時(shí)將X的權(quán)重設(shè)為一個(gè)較小的值f (O)，樣本X的時(shí)間重設(shè)為O ;
[0046](2.3)按照權(quán)重函數(shù)w = f (T)更新工作集P1中所有數(shù)據(jù)的權(quán)重，并將工作集中數(shù)據(jù)權(quán)重值小于--的樣本從工作集中刪除；
[0047](2.4)若時(shí)間計(jì)數(shù)器count的值超過(guò)定時(shí)更新時(shí)間，則根據(jù)當(dāng)前的工作集Pl更新SVDD模型，同時(shí)將時(shí)間計(jì)數(shù)器重置為O ;
[0048](2.5)若還有新的測(cè)試樣本，則執(zhí)行步驟(2.1)。
[0049]為了使結(jié)果的準(zhǔn)確率更高，考慮了視頻的序列性特征，異常幀的臨近幀的異常的概率通常比正常幀的異常概率期望值更大。本實(shí)施例是采用連續(xù)密度的隱馬爾可夫模型(CDHMM)平滑算法，來(lái)減少誤判，提高異常檢測(cè)的準(zhǔn)確。具體做法如下:
[0050]將SVDD模型得到的距離向量作為⑶HMM模型的觀(guān)察序列，通過(guò)最大化觀(guān)察序列的概率得到對(duì)應(yīng)的最佳隱狀態(tài)序列，將隱狀態(tài)序列的序號(hào)進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換，可得到ASF+SVDD算法檢測(cè)異常的最終結(jié)果。
[0051]在人群異常行為檢測(cè)中，只有能檢測(cè)出異常發(fā)生的位置，才能有利于對(duì)事件防患于未然，上述只是檢測(cè)出發(fā)生了異常，為了實(shí)現(xiàn)上述目的，提出了異常定位的模型。
[0052]異常的狀態(tài)判斷由SVDD模型的距離向量決定，因而可取最大距離作為判斷依據(jù)。在計(jì)算距離向量的最大值時(shí)，保存最大值所在的索引(I是距離向量中最大值的最大值的索引，Clisti是距離向量中第i個(gè)分量的值)
[0053]I = maxjdistji = ! ^ m,其中m是距離向量的維數(shù)
[0054]異常所在的區(qū)域社會(huì)力大于其他區(qū)域的社會(huì)力，因而可選擇具有最大區(qū)域社會(huì)力的位置作為異常發(fā)生的位置al，用A(I)表示第I個(gè)特征組，ΦΟΟ表示第k個(gè)特征位置到圖像位置的映射，即
[0055]al = Φ (maxk{Fk}，F(xiàn)k e A(I))
[0056]將al與實(shí)際異常位置進(jìn)行與操作，若交集面積超過(guò)實(shí)際面積的40%，則視為一次正確的檢測(cè)，否則檢測(cè)出錯(cuò)。
[0057]對(duì)基準(zhǔn)視頻異常數(shù)據(jù)集UCSD Pedsl和Peds2，該數(shù)據(jù)集中的視頻數(shù)據(jù)來(lái)自于安裝在電梯上正對(duì)著人行道的固定攝像頭。Pedsl數(shù)據(jù)集共包括34個(gè)訓(xùn)練視頻和34個(gè)測(cè)試視頻，并且該場(chǎng)景與攝像頭平面不平行，其中每個(gè)視頻可分為200幀。Peds2數(shù)據(jù)集包含16個(gè)訓(xùn)練視頻和12個(gè)測(cè)試視頻，并且該場(chǎng)景平行于攝像頭平面。在Pedsl和Peds2數(shù)據(jù)集中都標(biāo)注了 10個(gè)視頻異常位置的掩碼。此外，這兩個(gè)數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)都不包含異常數(shù)據(jù)，且測(cè)試數(shù)據(jù)同時(shí)包含正常數(shù)據(jù)和異常數(shù)據(jù)。
[0058]基于本申請(qǐng)所描述的算法對(duì)UCSD Peds I和Peds2分別進(jìn)行實(shí)驗(yàn)測(cè)試(其中測(cè)試的系統(tǒng)環(huán)境為:操作系統(tǒng)Ubuntul2.04，CPU Inter Duo T6601.6_GHz，程序語(yǔ)言為C++，Python,開(kāi)發(fā)環(huán)境 G++，0penCV2.0)，將 ASF+SVDD 算法與 SF 算法、Adam 算法，MDT 算法對(duì)幀異常的判斷結(jié)果進(jìn)行了比較，就定位準(zhǔn)確率來(lái)說(shuō)，在平均錯(cuò)誤率下，ASF+SVDD算法為49%,相較于SF算法的21 %、Adam算法的24%、MDT算法的45%來(lái)說(shuō)準(zhǔn)確性較好；就實(shí)時(shí)性來(lái)說(shuō)，ASF+SVDD算法在UCSD Pedsl上每一幀運(yùn)行的時(shí)間為0.152秒，在UCSD Peds2上每一幀運(yùn)行的時(shí)間為0.147秒，而準(zhǔn)確率相對(duì)來(lái)說(shuō)不錯(cuò)的MDT算法在UCSD Pedsl上每一幀運(yùn)行的時(shí)間為0.61秒，在UCSD Peds2上每一幀運(yùn)行的時(shí)間為0.76秒，ASF+SVDD算法運(yùn)行效率相當(dāng)于MDT算法的4倍，可保證算法的實(shí)時(shí)性。
[0059]通過(guò)上述驗(yàn)證，可知本申請(qǐng)?zhí)岢龅膯晤?lèi)序列化模型的人群異常行為分析的方法具有較好的實(shí)時(shí)性，準(zhǔn)確性。
[0060]以上所述的本發(fā)明的實(shí)施方式，并不構(gòu)成對(duì)本發(fā)明保護(hù)范圍的限定。任何在本發(fā)明的精神原則之內(nèi)所做出的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種采用單類(lèi)序列化模型的人群異常行為檢測(cè)方法，獲取人群視頻圖像，將每一幀圖像用同一組均勻的橫向以及縱向的網(wǎng)格線(xiàn)分隔成多個(gè)區(qū)域單元，其特征在于，采用基于區(qū)域社會(huì)力ASF的特征來(lái)表示圖像， 在訓(xùn)練過(guò)程中，結(jié)合區(qū)域社會(huì)力特征訓(xùn)練得到支持向量數(shù)據(jù)描述SVDD模型； 在測(cè)試過(guò)程中，結(jié)合支持向量數(shù)據(jù)描述的SVDD模型來(lái)檢測(cè)人群異常，基于視頻數(shù)據(jù)的序列性特征，采取連續(xù)密度的隱馬爾可夫模型CDHMM來(lái)平滑處理異常檢測(cè)結(jié)果，得到基于區(qū)域社會(huì)力的單類(lèi)序列化模型的ASF+SVDD人群異常檢測(cè)，實(shí)現(xiàn)異常定位。
2.根據(jù)權(quán)利要求1所述的采用單類(lèi)序列化模型的人群行為檢測(cè)方法，其特征在于，在基于區(qū)域社會(huì)力特征提取前，采用統(tǒng)計(jì)的方法，去除所有場(chǎng)景圖像的干擾，剔除場(chǎng)景圖像的粒子光流，具體流程: 1)對(duì)圖像中所有的幀計(jì)算任意兩幀之間的灰度差，將灰度差小于閾值τ的點(diǎn)標(biāo)記為背景點(diǎn)； 2)統(tǒng)計(jì)所有幀中各個(gè)位置被標(biāo)記為背景點(diǎn)的次數(shù)，得到整個(gè)視頻的區(qū)域活動(dòng)圖； 3)若該位置被標(biāo)記為背景點(diǎn)的次數(shù)超過(guò)總次數(shù)的比例Π，則將其標(biāo)記為整個(gè)視頻的背景點(diǎn)，得到新的活動(dòng)圖； 4)將步驟3)得到的活動(dòng)圖作為掩碼圖，與樣本進(jìn)行“與”操作，即可將樣本的背景區(qū)域去除。
3.根據(jù)權(quán)利要求2所述的采用單類(lèi)序列化模型的人群行為檢測(cè)方法，其特征在于，在計(jì)算區(qū)域社會(huì)力時(shí)每次都需要重新對(duì)依據(jù)權(quán)利要求2處理后的場(chǎng)景圖的前景輪廓采樣，即每個(gè)粒子的生命周期只有I幀。
4.根據(jù)權(quán)利要求3所述的采用單類(lèi)序列化模型的人群行為檢測(cè)方法，其特征在于，在計(jì)算區(qū)域社會(huì)力之前，采用區(qū)域歸一化主導(dǎo)模式，將各人群區(qū)域的光流場(chǎng)歸一化至同一個(gè)總體光流場(chǎng)值。
5.根據(jù)權(quán)利要求1所述的采用單類(lèi)序列化模型的人群行為檢測(cè)方法，其特征在于，在測(cè)試過(guò)程中，還采用定時(shí)在線(xiàn)更新的方式更新SVDD模型，定時(shí)在線(xiàn)更新過(guò)程如下: 維護(hù)工作集P1，初始P1為支持向量集，初始時(shí)間計(jì)數(shù)器count為0，定時(shí)更新時(shí)間為ut，f (T)為高斯權(quán)重函數(shù)，3為篩選的權(quán)重: 21)當(dāng)有新的測(cè)試樣本X到達(dá)時(shí),所有的樣本包括這個(gè)測(cè)試樣本的時(shí)間都增加I,時(shí)間計(jì)數(shù)器count增加I ; 22)使用當(dāng)前的SVDD模型預(yù)測(cè)樣本X，若X為正常樣本，則將X并入到工作集中，同時(shí)將X的權(quán)重設(shè)為一個(gè)較小的值f (O)，樣本X的時(shí)間重設(shè)為O ; 23)按照權(quán)重函數(shù)w= f (T)更新工作集P1中所有數(shù)據(jù)的權(quán)重，并將工作集中數(shù)據(jù)權(quán)重值小于6?的樣本從工作集中刪除； 24)若時(shí)間計(jì)數(shù)器count的值超過(guò)定時(shí)更新時(shí)間，則根據(jù)當(dāng)前的工作集P1更新SVDD模型，同時(shí)將時(shí)間計(jì)數(shù)器重置為O ; 25)若還有新的測(cè)試樣本，則執(zhí)行步驟21)。
6.根據(jù)權(quán)利要求1所述的采用單類(lèi)序列化模型的人群行為檢測(cè)方法，其特征在于，基于視頻數(shù)據(jù)的序列化特征，將SVDD模型得到的距離向量作為CDHMM模型的觀(guān)察序列，通過(guò)最大化觀(guān)察序列的概率得到對(duì)應(yīng)的最佳隱狀態(tài)序列，將隱狀態(tài)序列的序號(hào)進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換，得到基于ASF+SV DD的異常定位。
【文檔編號(hào)】G06K9/00GK104077571SQ201410312813
【公開(kāi)日】2014年10月1日 申請(qǐng)日期:2014年7月1日 優(yōu)先權(quán)日:2014年7月1日
【發(fā)明者】紀(jì)慶革, 李小蓮, 陳青輝 申請(qǐng)人:中山大學(xué)