基于surf流和lle稀疏表示的人群異常行為識別方法
【專利摘要】本發(fā)明公開了一種基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，主要解決復雜場景中人群特征提取不夠準確和人群行為檢測中行為特征維數(shù)高，數(shù)據(jù)量大以及特征局部流行結(jié)構(gòu)不穩(wěn)定的問題。包括如下步驟：（1）輸入測試和訓練視頻樣本，建立SURF流場，獲取特征點運動矢量信息；（2）分別將測試和訓練視頻序列每幀特征點矢量信息歸類為216維特征，視頻序列構(gòu)成行為特征集；（3）利用局部線性嵌入稀疏表示式對其進行分類，求得稀疏表示系數(shù)；（4）計算殘差，判斷測試視頻所屬類別。本發(fā)明能夠有效的保留測試樣本的局部流行結(jié)構(gòu)，提高樣本的判別能力。
【專利說明】基于SURF流和LLE稀疏表示的人群異常行為識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺領(lǐng)域，具體是一種基于SURF流和局部線性嵌入(LLE)稀疏表示的人群異常行為識別方法。
【背景技術(shù)】
[0002]近些年來，人群行為識別作為計算機視覺的重要課題之一，已經(jīng)在智能視頻監(jiān)控中應用和普及于公共安全、金融安全、運輸、和其他領(lǐng)域中。基于視頻的人群異常行為檢測技術(shù)成為此領(lǐng)域中比較活躍的一個分支，近年來得到國內(nèi)外眾多學者的關(guān)注與研究。
[0003]人群行為檢測主要考慮人群行為特征的描述和異常行為的分類判定。其中人群行為的檢測主要考慮視頻序列中人群行為的運動特性，如光流直方圖、局部時空立方體建模、社會動力模型，而異常行為的分類判定則常常通過在訓練數(shù)據(jù)上擬合一個概率模型，將概率接近某一類別的測試樣本判別為該類行為，如隱馬爾可夫模型、隱條件隨機場等。
[0004]基于稀疏性的分類模型假設相同類別的樣本位于相同位置的子空間，用一個超完備字典中的少量原子可以線性表不任意測試樣本。傳統(tǒng)的稀疏表不模型僅僅考慮了測試樣本的整體結(jié)構(gòu)，而忽略了測試樣本的局部流行結(jié)構(gòu)從而造成了稀疏分解不穩(wěn)定問題，即相似的測試樣本可能會得到完全不相似的稀疏表示系數(shù)。而這種稀疏分解的不穩(wěn)定性大大影響了分類正確率。

【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)問題，本發(fā)明提供
本發(fā)明的基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，主要解決公共場所復雜場景中人群特征提取不夠準確和行為特征維數(shù)高，數(shù)據(jù)量大以及特征局部流行結(jié)構(gòu)不穩(wěn)定的問題。通過SURF流獲取測試視頻人群運動特征，降維歸類為人群特征集與常見的幾種異常行為特征集一起輸入到局部線性嵌入稀疏模型中，求解稀疏表示系數(shù)，計算最小殘差來確定測試視頻所屬行為的類別。
【專利附圖】

【附圖說明】
[0006]圖1是本發(fā)明的整個模型識別異常行為的流程圖；
圖2 (a) _圖2 (d)是4種訓練和測試視頻范例圖；
圖3是SURF描述子方向確定的結(jié)果圖；
圖4 (a)-圖4 (d)是4種測試視頻序列檢測結(jié)果圖。
【具體實施方式】
[0007]下面結(jié)合附圖對本發(fā)明作進一步說明。
[0008]如圖1所示，本發(fā)明的基于SURF流和局部線性嵌入(LLE)稀疏表示的人群異常行為識別方法包括以下具體步驟:步驟1、輸入包含恐慌、斗毆、打架的異常行為的測試視頻序列，如圖2所示，對測試視頻序列的每一幀的特征點進行哈爾小波變換，獲得每個特征點的SURF描述子
【權(quán)利要求】
1.一種基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，包括以下具體步驟:步驟1、輸入包含恐慌、斗毆、打架的異常行為的測試視頻序列，對測試視頻序列的每一幀的特征點進行哈爾小波變換，獲得每個特征點的SURF描述子
2.如權(quán)利要求1所述的基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，其特征在于:步驟(1)中對測試視頻序列每幀圖像特征點提取SURF描述子，特征點的選取包括如下步驟:采用Hessian矩陣檢測每幀圖像的興趣點:
3.如權(quán)利要求1所述的基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，其特征在于:其中步驟(2)中通過匹配相鄰幀特征點的SURF描述子，建立SURF流場，獲取特征點的運動矢量信息, = (Kv)，需要考慮如下三個方面: 相鄰兩幀的特征點P按照SURF描述子si (/7)32 0)的相似程度進行匹配； 考慮實際情況，流速《2⑷+W⑷應加以限制，不能過大； 考慮運動的連續(xù)性，必須優(yōu)先匹配特征點的鄰近區(qū)域N:
4.如權(quán)利要求1所述的基于SURF流和局部線性嵌入稀疏表示的人群異常行為識別方法，其特征在于:訓練樣本的個數(shù)明顯小于人群行為特征維數(shù)，為了避免出現(xiàn)無解的現(xiàn)象，通過并入一個d 的單位矩陣來增加訓練樣本的維數(shù)，即:
【文檔編號】G06K9/46GK103699874SQ201310515878
【公開日】2014年4月2日 申請日期:2013年10月28日 優(yōu)先權(quán)日:2013年10月28日
【發(fā)明者】章東平, 徐凱航, 潘晨, 彭懷亮 申請人:中國計量學院