專利名稱：一種智能視覺監(jiān)控中檢測異常目標(biāo)行為的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能視覺監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種智能視覺監(jiān)控中檢 測異常目標(biāo)行為的方法。
背景技術(shù)：
隨著計(jì)算機(jī)處理能力的提高，音視頻編解碼技術(shù)、互聯(lián)網(wǎng)技術(shù)、網(wǎng)絡(luò) 多媒體技術(shù)和大容量存儲技術(shù)的發(fā)展，以及安防、金融、教育等行業(yè)曰益 增長的需求，視頻監(jiān)控技術(shù)得到了迅速發(fā)展。智能視覺監(jiān)控系統(tǒng)具有觀察 和分析監(jiān)控場景內(nèi)容的能力，能夠在沒有或少量人為干預(yù)的情況下，自動 對多攝像機(jī)記錄的視頻序列進(jìn)行分析，從而代替人完成視覺監(jiān)控任務(wù)。
智能視覺監(jiān)控包括目標(biāo)檢測、目標(biāo)分類、目標(biāo)跟蹤、目標(biāo)的行為分析 與理解和視覺監(jiān)控檢索等內(nèi)容。目標(biāo)檢測將場景中的運(yùn)動目標(biāo)從背景中分 割出來，濾除靜止信息，提取出運(yùn)動區(qū)域。目標(biāo)分類將;f企測到的運(yùn)動區(qū)域 按特定類型的物體分類，區(qū)分出各個運(yùn)動區(qū)域代表的運(yùn)動目標(biāo)。目標(biāo)跟蹤 選取能夠唯一表示目標(biāo)的特征，在后續(xù)幀中搜索與該特征最匹配的目標(biāo)位 置，以建立連續(xù)視頻幀間的目標(biāo)對應(yīng)關(guān)系。目標(biāo)行為分析與理解是智能視 覺監(jiān)控的高級階段，包括目標(biāo)行為異常檢測、目標(biāo)行為理解和目標(biāo)行為的 自然語言描述等內(nèi)容。視覺監(jiān)控檢索對運(yùn)動目標(biāo)的視覺特征和運(yùn)動特征進(jìn) 行索引和檢索。
異常目標(biāo)行位檢測是智能視覺監(jiān)控系統(tǒng)的重要內(nèi)容之一，通過對場景
中目標(biāo)行為的學(xué)習(xí)，自動完成對未來異常目標(biāo)行為的^r測。目前的監(jiān)控系 統(tǒng)異常目標(biāo)行為檢測還沒有達(dá)到很好的智能化水平，大部分監(jiān)控系統(tǒng)仍采 用人工處理的方式。通常是在異常目標(biāo)行為發(fā)生后，通過錄像;險索和回放 來人工觀察和檢查異常目標(biāo)行為，這種方式不但效率低下，而且無法實(shí)時 報告異常目標(biāo)行為。部分監(jiān)控系統(tǒng)實(shí)現(xiàn)了自動檢測異常目標(biāo)行為，但智能 化水平較低，僅限于檢測場景中是否存在運(yùn)動區(qū)域，而不能理解目標(biāo)的行 為。少數(shù)能夠?qū)δ繕?biāo)行為進(jìn)行智能異常檢測的監(jiān)控系統(tǒng)，也只能在目標(biāo)運(yùn)
動結(jié)束后，對目標(biāo)的整體運(yùn)動行為進(jìn)行異常檢測，而難以在目標(biāo)運(yùn)動過程 中對其局部運(yùn)動行為進(jìn)行實(shí)時檢測。
美國專利US 2007/0121999Al公開了一種異常人群行為檢測方法，該 方法跟蹤視覺監(jiān)控場景中的人，為每個人建立一個塊，然后計(jì)算每個塊的 熵值，以此判斷是否發(fā)生兩人或多人的打斗，這種方法雖然有效，但僅限 于對人群打斗等異常目標(biāo)行為的檢測。
美國專利US 2008/0031491 Al公開了一種視頻系統(tǒng)異常檢測方法，該 方法通過預(yù)先配置識別某種異常行為，例如商場盜竊，該方法首先從;見頻 數(shù)據(jù)中提取特征，然后由動態(tài)貝葉斯網(wǎng)絡(luò)判斷特征是否為正常。同樣，這 種方法需要對特定行為進(jìn)行預(yù)先配置。

發(fā)明內(nèi)容
本發(fā)明提供了 一種檢測速度快、智能化水平高的智能視覺監(jiān)控中檢測 異常目標(biāo)行為的方法。
一種智能視覺監(jiān)控中檢測異常目標(biāo)行為的方法，包括目標(biāo)行為學(xué)習(xí)和 目標(biāo)行為檢測兩個過程，
所述的目標(biāo)行為學(xué)習(xí)包括以下步驟
(1 )周期性讀取存儲在軌跡數(shù)據(jù)庫中所有描述已發(fā)生的目標(biāo)行為的 目標(biāo)運(yùn)動軌跡，濾除噪聲后以空間描述符對每條目標(biāo)運(yùn)動軌跡進(jìn)行描述， 合并建立軌跡數(shù)據(jù)集；
濾除噪聲的方法采用移動平均濾波。
目標(biāo)行為都是通過目標(biāo)運(yùn)動軌跡進(jìn)行描述，目標(biāo)運(yùn)動軌跡通過目標(biāo)跟 蹤算法獲得，目標(biāo)跟蹤算法按照等時間(zlf)間隔對包含運(yùn)動目標(biāo)的圖像 序列進(jìn)行采樣，每次采樣都可以得到目標(biāo)的質(zhì)心坐標(biāo)，按順序連接不同時 刻目標(biāo)的質(zhì)心坐標(biāo)形成一折線，即為目標(biāo)運(yùn)動軌跡。
或部分發(fā)生的目標(biāo)行為作為待測目標(biāo)行為，它的目標(biāo)運(yùn)動軌跡用于待測目 標(biāo)行為的實(shí)時纟企測。
(2)根據(jù)軌跡數(shù)據(jù)集中描述每條目標(biāo)運(yùn)動軌跡的空間描述符，提取 每條目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合；
(3 )將所有目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合合并得到子軌跡數(shù)據(jù)集；(4) 使用第一自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)子軌跡數(shù)據(jù)集，得到子軌跡 分布模式集合；
(5) 根據(jù)子軌跡數(shù)據(jù)集計(jì)算子軌跡分布^f莫式集合中每個子軌跡分布 模式的異常閾值^;
(6) 計(jì)算每條目標(biāo)運(yùn)動軌跡的子軌跡集合中的所有子軌跡到子軌跡 分布模式集合中各子軌跡分布模式的最小距離，以該最小距離集合作為軌 跡模式描述符描述相應(yīng)的目標(biāo)運(yùn)動軌跡；
(7) 使用第二自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)所有描述目標(biāo)運(yùn)動軌跡的軌 跡模式描述符，得到軌跡分布模式集合；
(8 )根據(jù)軌跡數(shù)據(jù)集計(jì)算軌跡分布模式集合中每個軌跡分布模式的
異常閾值Se;
步驟(4)和(7)當(dāng)中的子軌跡分布模式集合和軌跡分布模式集合分 別代表了場景中目標(biāo)的局部運(yùn)動行為和整體運(yùn)動行為。每個子軌跡分布模 式的異常閥值和每個軌跡分布模式的異常閥值作為異常檢測信息可對場 景中的異常目標(biāo)行為進(jìn)行檢測。
所述的目標(biāo)行為^r測包括以下步驟 (9 )讀取描述待測目標(biāo)行為的待測目標(biāo)運(yùn)動軌跡，預(yù)處理后以空間 描述符對待測目標(biāo)運(yùn)動軌跡進(jìn)行描述；
(10 )根據(jù)描述待測目標(biāo)運(yùn)動軌跡的空間描述符號，^是取描述待測目 標(biāo)運(yùn)動軌跡的待測子軌跡集合；
(11)取待測子軌跡集合中每個待測子軌跡，使用第一自組織特征映 射網(wǎng)絡(luò)計(jì)算得到與待測子軌跡最匹配的子軌跡分布模式以及它們之間的 距離，將該距離與和該待測子軌跡最匹配的子軌跡分布模式的異常閾值ec 進(jìn)行比較，判斷該待測子軌跡是否異常；
(12 )計(jì)算所有待測子軌跡到子軌跡分布模式集合中各子軌跡分布模 式的最小距離，以該最小距離集合作為軌跡模式描述符描述的待測目標(biāo)運(yùn) 動軌跡；
(13 )使用第二自組織特征映射網(wǎng)絡(luò)計(jì)算得到與以軌跡模式描述符描 述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布模式以及它們之間的距離，將該 距離與和以軌跡模式描述符描述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布 模式的異常閾值ee進(jìn)行比較，判斷該待測目標(biāo)運(yùn)動軌跡是否異常
本發(fā)明方法分別使用兩個自組織映射網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)局部和整體行為 模式，不僅能檢測出目標(biāo)整體的異常行為，還能夠在運(yùn)動過程中檢測出目 標(biāo)的局部異常行為。
另外，子軌跡分布模式的數(shù)量遠(yuǎn)少于流矢量模式的數(shù)量，使本發(fā)明使 用的兩個網(wǎng)絡(luò)具有較快的學(xué)習(xí)速度。
在子軌跡模式網(wǎng)絡(luò)訓(xùn)練完畢后，使用子軌跡分布才莫式重新描述軌跡， 使所有軌跡模式描述符具有相同長度， 一方面避免了對軌跡空間描述符進(jìn)
行補(bǔ)齊和截??；另一方面也使軌跡間的距離可以直接度量，為目標(biāo)行為的 異常檢測提供了依據(jù)。


圖1為實(shí)現(xiàn)本發(fā)明方法的模塊結(jié)構(gòu)框圖2為本發(fā)明方法目標(biāo)行為學(xué)習(xí)過程流程框圖3為本發(fā)明方法目標(biāo)行為^r測過程流程框圖。
具體實(shí)施例方式
如圖所示， 一種智能視覺監(jiān)控中檢測異常目標(biāo)行為的模塊結(jié)構(gòu)，包括 目標(biāo)跟蹤模塊110:對包含運(yùn)動目標(biāo)的圖像序列進(jìn)行采樣，生成目標(biāo) 運(yùn)動軌跡；
軌跡數(shù)據(jù)庫115:存儲目標(biāo)運(yùn)動軌跡；
預(yù)處理模塊120:使用移動平均濾波濾除目標(biāo)運(yùn)動軌跡的噪聲，使其 平滑，并以空間描述符對目標(biāo)運(yùn)動軌跡進(jìn)行描述；
子軌跡提取模塊125:提取目標(biāo)運(yùn)動軌跡的子軌跡集合，合并組成子 軌跡數(shù)據(jù)集；
子軌跡模式網(wǎng)絡(luò)130:使用第一自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)子軌跡數(shù)據(jù) 集，產(chǎn)生子軌跡分布模式集合；
子軌跡異常檢測信息生成模塊135:計(jì)算子軌跡分布模式集合中每個 子軌跡分布模式的異常閾值；
軌跡模式網(wǎng)絡(luò)140:使用第二自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)所有描述目標(biāo) 運(yùn)動軌跡的軌跡模式描述符，生成軌跡分布模式集合；
軌跡異常檢測信息生成模塊145:計(jì)算軌跡分布模式集合中每個軌跡
分布模式的異常閾值；
軌跡重描述模塊150:計(jì)算每條目標(biāo)運(yùn)動軌跡的子軌跡集合中的所有 子軌跡到子軌跡分布模式集合中各子軌跡分布模式的最小距離，以該最小 距離集合作為軌跡模式描述符描述相應(yīng)的目標(biāo)運(yùn)動軌跡；
子軌跡異常檢測模塊160:根據(jù)軌跡分布模式集合中每個子軌跡分布 模式的異常闊值，檢測待測目標(biāo)運(yùn)動軌跡的子軌跡集合中的每條子軌跡是 否為異常；
軌跡異常檢測模塊170:根據(jù)軌跡分布模式集合中每個軌跡分布模式 的異常閾值，檢測待測目標(biāo)運(yùn)動軌跡是否為異常；
異常報警模塊180:根據(jù)子軌跡異常檢測模塊160和軌跡異常檢測模 塊170的檢測結(jié)果，啟動或關(guān)閉報警。
應(yīng)用上述模塊結(jié)構(gòu)檢測異常目標(biāo)行為的方法，包括目標(biāo)行為學(xué)習(xí)和目 標(biāo)行為檢測兩個過程，下述方法以目標(biāo)運(yùn)動軌跡r為例進(jìn)行具體描述，
目標(biāo)行為學(xué)習(xí)包括以下步驟
(1) 周期性讀取存儲在軌跡數(shù)據(jù)庫115中所有描述已發(fā)生的目標(biāo)行 為的目標(biāo)運(yùn)動軌跡，濾除噪聲后以空間描述符對每條目標(biāo)運(yùn)動軌跡進(jìn)行描 述，合并建立軌跡數(shù)據(jù)集；
目標(biāo)運(yùn)動軌跡通過目標(biāo)跟蹤算法獲得，其中目標(biāo)運(yùn)動軌跡r以二維空
間坐標(biāo)序列描述為
T={ Ol,力)，fe,少2),…，(A.,乂.)， ...(■) } 其中，(x,，乂.)為目標(biāo)質(zhì)心在第/次采樣中的二維坐標(biāo)，/為目標(biāo)運(yùn)動持
續(xù)的采樣次數(shù)。
在二維空間坐標(biāo)的基礎(chǔ)上引入速度信息，以流矢量力替代目標(biāo)運(yùn)動軌 跡r的二維空間坐標(biāo)為
乂卞，乂.，&'》乂)
其中，^c尸xw-:c,, &尸乂.+1-乂.，然后對流矢量/各屬性進(jìn)行規(guī)范化變換， 將各屬性縮放到范圍
內(nèi)。
將所有的流矢量合并組成流矢量序列即為描述目標(biāo)運(yùn)動軌跡T的空 間描述符F:
iM/i,/2,…,y;,…,力〉
(2) 根據(jù)軌跡數(shù)據(jù)集中描述每條目標(biāo)運(yùn)動軌跡的空間描述符，通過滑動窗口法提取每條目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合；
其中對長度為/的目標(biāo)運(yùn)動軌跡r的子軌跡數(shù)據(jù)集合的提取方法如
下
按等間隔義用 一個滑動窗口 ( Sliding Window)將目標(biāo)運(yùn)動軌跡r的 軌跡空間描述符F截取為一系列長度為《(;i-)的子序列，每個子序列所
描述的軌跡片斷即為軌跡r的子軌跡將所有子軌跡A合并組成子軌跡
集合S:
<formula>complex formula see original document page 9</formula>
其中，"=「(/-《+ l)/義l長度f取為min(^，/min)，間隔A取為《的
1/4，丄為軌跡數(shù)據(jù)集的平均序列長度，/min為軌跡數(shù)據(jù)集的最短序列長度。
(3 )將所有目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合合并得到子軌跡數(shù)據(jù)集； (4)使用第一自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)子軌跡數(shù)據(jù)集，得到子軌跡
分布模式集合；
以子軌跡空間描述符做為輸入，使用自組織特征映射網(wǎng)絡(luò)對學(xué)習(xí)子軌
跡的時間和空間才莫式。網(wǎng)絡(luò)輸入層有《x4個神經(jīng)元，分別對應(yīng)子軌跡空 間描述符的每個流矢量。輸出層有M個神經(jīng)元，對應(yīng)子軌跡分布模式的 數(shù)量。自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)過程中，使用下式尋找最匹配神經(jīng)元
= argmin wy
W.代表第J個子軌跡分布模式，《s)代表與子軌跡s最匹配的子軌跡分 布模式的序號。
子軌跡模式網(wǎng)絡(luò)學(xué)習(xí)結(jié)束后，輸入子軌跡s，子軌跡模式網(wǎng)絡(luò)的輸出 為子軌跡到各子軌跡分布模式的距離集合(9(s):
(9(力={ )，.."<9糾...,(9^>)} 其中，0網(wǎng),||。
(5 )根據(jù)子軌跡數(shù)據(jù)集計(jì)算子軌跡分布模式集合中每個子軌跡分布
模式的異常閾值&;
計(jì)算子軌跡數(shù)據(jù)集中到子軌跡分布模式Wc的距離最小(小于到其他
子軌跡分布模式的距離)的子軌跡集合義，閾值Sc為M^與義中所有子軌 跡最大距離的1/2:
= —max(af(s，vi^ J 2 4 、 c/
(6 )計(jì)算每條目標(biāo)運(yùn)動軌跡的子軌跡集合中的所有子軌跡到子軌跡 分布模式集合中各子軌跡分布模式的最小距離，以該最小距離集合作為軌 跡模式描述符描述相應(yīng)的目標(biāo)運(yùn)動軌跡。
以目標(biāo)運(yùn)動軌跡r為例，軌跡模式描述符生成步驟如下
首先，將軌跡r的子軌跡集合&，&, ... ，sj輸入到第一自組織特征映
射網(wǎng)絡(luò)，得到輸出集合OCS)^(9C^),(9Cs2),... 然后，計(jì)算T的所有
子軌跡到各子軌跡分布模式的最小距離集合/ ={ ...， ..., }, ^=1^11(0^1)，0^2),...,(9"^))做為軌跡模式描述符。
(7 )使用第二自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)所有描述目標(biāo)運(yùn)動軌跡的軌 跡模式描述符，得到軌跡分布模式集合；
以軌跡模式描述符做為輸入，使用自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)軌跡模 式。第二自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)過程與第 一 自組織特征映射網(wǎng)絡(luò)相 同，但使用軌跡模式描述符間的距離尋找最匹配神經(jīng)元，以序號為/和y 的兩條軌跡7}和7}為例，使用下式計(jì)算軌跡模式描述符尺.和^間的距離
牽,剩li^.11
第二自組織特征映射網(wǎng)絡(luò)輸入層有M個神經(jīng)元，分別對應(yīng)每個子軌 跡分布模式。輸出層有iV個神經(jīng)元，分別對應(yīng)每個軌跡分布模式。
(8 )根據(jù)軌跡數(shù)據(jù)集計(jì)算軌跡分布模式集合中每個軌跡分布模式的 異常閾值&;
軌跡分布模式的異常閾值ee,按與^相似的方法產(chǎn)生計(jì)算軌跡數(shù)據(jù) 集中到軌跡分布模式『e的距離最小的軌跡集合義，閾值ee為『e與義中所 有軌跡最大距離1/2:
e。丄maxt/(i ,) 2、 〃
所述的目標(biāo)行為4企測包括以下步驟
(9 )讀取描述待測目標(biāo)行為的待測目標(biāo)運(yùn)動軌跡，預(yù)處理后以空間 描述符對待測目標(biāo)運(yùn)動軌跡進(jìn)行描述；
(10 )根據(jù)描述待測目標(biāo)運(yùn)動軌跡的空間描述符號，提取描述待測目 標(biāo)運(yùn)動軌跡的待測子4九跡集合； (11 )取待測子軌跡集合中每個待測子軌跡，使用第一 自組織特征映 射網(wǎng)絡(luò)計(jì)算得到與待測子軌跡最匹配的子軌跡分布模式以及它們之間的 距離，將該距離與和該待測子軌跡最匹配的子軌跡分布模式的異常閾值￡c
進(jìn)行比較，判斷該待測子軌跡是否異常；
如果該距離大于闊值ec,則認(rèn)為該子軌跡為異常，否則為正常。 (12 )計(jì)算所有待測子軌跡到子軌跡分布模式集合中各子軌跡分布模 式的最小距離，以該最小距離集合作為軌跡模式描述符描述的待測目標(biāo)運(yùn) 動軌跡；
(13 )使用第二自組織特征映射網(wǎng)絡(luò)計(jì)算得到與以軌跡模式描述符描 述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布模式以及它們之間的距離，將該 距離與和以軌跡模式描述符描述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布 模式的異常閾值ee進(jìn)行比較，判斷該待測目標(biāo)運(yùn)動軌跡是否異常； 如果該距離大于閾值Se,則認(rèn)為軌跡為異常，否則為正常。
權(quán)利要求
1、一種智能視覺監(jiān)控中檢測異常目標(biāo)行為的方法，包括目標(biāo)行為學(xué)習(xí)和目標(biāo)行為檢測兩個過程，所述的目標(biāo)行為學(xué)習(xí)包括以下步驟(1)周期性讀取存儲在軌跡數(shù)據(jù)庫中所有描述已發(fā)生的目標(biāo)行為的目標(biāo)運(yùn)動軌跡，濾除噪聲后以空間描述符對每條目標(biāo)運(yùn)動軌跡進(jìn)行描述，合并建立軌跡數(shù)據(jù)集；(2)根據(jù)軌跡數(shù)據(jù)集中描述每條目標(biāo)運(yùn)動軌跡的空間描述符，通過滑動窗口法提取每條目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合；(3)將所有目標(biāo)運(yùn)動軌跡的子軌跡數(shù)據(jù)集合合并得到子軌跡數(shù)據(jù)集；(4)使用第一自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)子軌跡數(shù)據(jù)集，得到子軌跡分布模式集合；(5)根據(jù)子軌跡數(shù)據(jù)集計(jì)算子軌跡分布模式集合中每個子軌跡分布模式的異常閾值εc；(6)計(jì)算每條目標(biāo)運(yùn)動軌跡的子軌跡集合中的所有子軌跡到子軌跡分布模式集合中各子軌跡分布模式的最小距離，以該最小距離集合作為軌跡模式描述符描述相應(yīng)的目標(biāo)運(yùn)動軌跡；(7)使用第二自組織特征映射網(wǎng)絡(luò)學(xué)習(xí)所有描述目標(biāo)運(yùn)動軌跡的軌跡模式描述符，得到軌跡分布模式集合；(8)根據(jù)軌跡數(shù)據(jù)集計(jì)算軌跡分布模式集合中每個軌跡分布模式的異常閾值εe；所述的目標(biāo)行為檢測包括以下步驟(9)讀取描述待測目標(biāo)行為的待測目標(biāo)運(yùn)動軌跡，預(yù)處理后以空間描述符對待測目標(biāo)運(yùn)動軌跡進(jìn)行描述；(10)根據(jù)描述待測目標(biāo)運(yùn)動軌跡的空間描述符號，提取描述待測目標(biāo)運(yùn)動軌跡的待測子軌跡集合；(11)取待測子軌跡集合中每個待測子軌跡，使用第一自組織特征映射網(wǎng)絡(luò)計(jì)算得到與待測子軌跡最匹配的子軌跡分布模式以及它們之間的距離，將該距離與和該待測子軌跡最匹配的子軌跡分布模式的異常閾值εc進(jìn)行比較，判斷該待測子軌跡是否異常；(12)計(jì)算所有待測子軌跡到子軌跡分布模式集合中各子軌跡分布模式的最小距離，以該最小距離集合作為軌跡模式描述符描述的待測目標(biāo)運(yùn)動軌跡；(13)使用第二自組織特征映射網(wǎng)絡(luò)計(jì)算得到與以軌跡模式描述符描述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布模式以及它們之間的距離，將該距離與和以軌跡模式描述符描述的待測目標(biāo)運(yùn)動軌跡最匹配的軌跡分布模式的異常閾值εe進(jìn)行比較，判斷該待測目標(biāo)運(yùn)動軌跡是否異常。
2、 如權(quán)利要求1所述的方法，其特征在于所述的步驟(1 )中濾除 噪聲的方法采用移動平均濾波。
3、 如權(quán)利要求1所述的方法，其特征在于所述的空間描述符為包 括目標(biāo)空間坐標(biāo)以及目標(biāo)速度信息的流矢量序列。
全文摘要
本發(fā)明公開了一種智能視覺監(jiān)控中檢測異常目標(biāo)行為的方法，包括目標(biāo)行為學(xué)習(xí)和目標(biāo)行為檢測兩個過程，所述的目標(biāo)行為得到描述已發(fā)生目標(biāo)行為的目標(biāo)運(yùn)動軌跡的每個子軌跡分布模式的異常閾值ε_c和每個軌跡分布模式的異常閾值ε_e；所述的目標(biāo)檢測過程計(jì)算描述待測目標(biāo)行為的目標(biāo)運(yùn)動軌跡到每個子軌跡分布模式和每個軌跡分布模式的距離，以該距離與異常閾值進(jìn)行比較，判斷待測目標(biāo)行為是否異常。本發(fā)明方法分別使用兩個自組織映射網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)局部和整體行為模式，不僅能檢測出目標(biāo)整體的異常行為，還能夠在運(yùn)動過程中檢測出目標(biāo)的局部異常行為。
文檔編號G06T7/20GK101344966SQ20081012020
公開日2009年1月14日 申請日期2008年8月18日 優(yōu)先權(quán)日2008年8月18日
發(fā)明者孟旭炯, 琳 曲, 陳耀武 申請人:浙江大學(xué)