一種擁擠場景下視頻異常事件檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能視頻監(jiān)控技術(shù)領(lǐng)域，涉及一種擁擠場景下視頻異常事件檢測方 法。
【背景技術(shù)】
[0002] 視頻異常事件檢測是指能自動(dòng)分析視頻監(jiān)控場景中發(fā)生的事件，如果發(fā)生異常事 件就能立刻發(fā)出報(bào)警信號，從而提高相關(guān)部門的響應(yīng)和救援效率。例如步行街上的騎車、輪 滑和車輛通行，廣場上人群的恐慌、踩踏等這些異常事件都能及時(shí)的被檢測到并進(jìn)行報(bào)警。 它在視頻監(jiān)控領(lǐng)域有著廣泛的應(yīng)用前景。
[0003] 目前現(xiàn)有的異常事件檢測方法可以大致分為兩類：1)通過對目標(biāo)對象進(jìn)行跟蹤， 分析其運(yùn)動(dòng)軌跡，進(jìn)而對其做出判斷；2)不需要對目標(biāo)對象進(jìn)行跟蹤，通過建立正常事件 模型，對光流、紋理等特征作出分析。第一類方法，通過對目標(biāo)對象進(jìn)行跟蹤，獲取運(yùn)動(dòng)方向 與目標(biāo)的運(yùn)動(dòng)速度以及根據(jù)目標(biāo)對象特征與尺寸比，該類方法針對場景中只存在少數(shù)運(yùn)動(dòng) 目標(biāo)時(shí)得到了較好的應(yīng)用，但是在擁擠的環(huán)境下，由于目標(biāo)之間相互重疊，很難對目標(biāo)對 象進(jìn)行跟蹤，因此這類方法的檢測性能欠佳。本發(fā)明采用第二類方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種擁擠場景下視頻異常事件檢測方法，以提高異常事件檢 測率。
[0005] 為解決上述問題，本發(fā)明提供的技術(shù)方案如下：
[0006] 步驟⑴特征提取，具體如下：
[0007] 將視頻中每一幀分割成互不重疊且大小為NXN的塊，并連續(xù)取Μ幀，得到大小 為ΝΧΝΧΜ的立體塊，因此Μ幀長的視頻由若干個(gè)立體塊組成，每個(gè)立體塊稱為原子。設(shè) 視頻幀的分辨率大小為W X Η，每一幀得到塊的數(shù)量
I其中 L·」表示向下取整。t時(shí)刻loci位置塊的運(yùn)動(dòng)信息用一個(gè)直方圖表示
1 < loci < f_block，loci是整數(shù)，其中h，1 < i < 4,是loci位置塊根據(jù)光流方向按90度 間隔量化獲得的4個(gè)方向上的光流幅值之和。當(dāng)前時(shí)刻為t，結(jié)合t時(shí)刻的前（M-1) /2幀與 后（M-1)/2幀的直方圖信息，t時(shí)刻loci位置上的原子表示為.
Μ取奇數(shù)，1 < loci < f_block。對于一段視頻，以Μ幀為單位分成P小段，得到的原子數(shù)量 為PXf_block，由這些原子構(gòu)成該視頻的原子集合。
[0008] 步驟⑵特征學(xué)習(xí)，具體如下：
[0009] 2-1.采用拉普拉斯特征映射方法把原子集合映射到低維空間中，再對其進(jìn)行聚 類。首先對原子集構(gòu)建圖G= (V，E)，頂點(diǎn)集V表示各個(gè)原子，帶權(quán)重的邊E表示各個(gè)原子 之間的相似度，圖中第i個(gè)原子與第j個(gè)原子之間邊的權(quán)重按式（1)計(jì)算，1彡i彡P(guān)Xf_ block，1 < j < PXf-block:
[0011] 公式⑴右邊第一項(xiàng)中#的數(shù)學(xué)表達(dá)式為：
[0013] 余弦距離
_其中〈Xi, x.j>表示求Xi與X .j的內(nèi)積，定義
，的形式就是式⑵中i = r， j = G時(shí)，％是尺度因子，其中x ^是x ^第G個(gè)近鄰點(diǎn)，近鄰的距離度量采用歐氏距離，r = i或j。
[0014] 公式⑴右邊第二項(xiàng)中，< 7表示第i個(gè)原子與第j個(gè)原子空間上的歐氏距離；O s 為空間尺度因子。構(gòu)建完圖后，借助于圖對原子進(jìn)行譜聚類。在圖論中，聚類的問題轉(zhuǎn)變?yōu)?圖割的問題。其原則是子圖內(nèi)的邊權(quán)重最大化和各子圖間的邊權(quán)重最小化。被切斷的邊權(quán) 重之和最小，即使式（3)所示目標(biāo)函數(shù)最小化。
[0016] 其中&由公式⑴給出；y ;和y」分別是X ;和X」映射到目標(biāo)空間上的坐標(biāo)向量， Y由向量yi組成，1 < i < PXf_block。目標(biāo)函數(shù)最小化的問題等價(jià)于求解最優(yōu)的Y :
[0017] Yopt= argmin (YLY) s. t. Y TDY = 1 (4)公式⑷中，拉普拉斯矩陣 L = D_W。D 是對角陣，其對角線上元素值dii= 由w ^構(gòu)成。計(jì)算L相對于D的廣義特征值 和特征向量，選取1個(gè)最小非零特征值以及對應(yīng)的特征向量。將求得的1個(gè)特征向量并 成一個(gè)（PXf_block) XI的特征向量空間，其中每一行代表原子在1維空間的坐標(biāo)。最 后根據(jù)每個(gè)原子的1維空間坐標(biāo)，采用Lihi Zelnik-Manor的自適應(yīng)聚類方法（Lihi Zelnik-Manor, Self-Tuning Spectral Clustering. In Proceedings of the 18th Annual Conference on Neural Information Processing Systems 2004)在 1 維空間對原子進(jìn)行 聚類，自適應(yīng)確定聚類的類數(shù)。聚類后得到NumO個(gè)類，每一類的類中心表示一類事件的局 部特征，類中心按式（5)計(jì)算：
[0019] Nk表示屬于第k類事件的原子個(gè)數(shù)。類中心作為碼字，位置loci上所有可能的碼 字組成碼本。
[0020] 2-2.在loci位置塊上建立碼本的過程如下：
[0021] (a)建立初始碼本，將訓(xùn)練數(shù)據(jù)進(jìn)行步驟2-1的特征學(xué)習(xí)得到Num類事件，Num = NumO。按式（6)計(jì)算wMcK：i，如果wkikK：i>0,則把第k類的類中心作為碼字添加到位置loci 上的碼本中，同時(shí)保存第k類局部特征的訓(xùn)練數(shù)據(jù)，k= {1，2,...........NumO};
[0023] 其中1\1(^表示位置loci上第k類事件發(fā)生的次數(shù)，1彡loci彡f_block。
[0024] (b)輸入新的訓(xùn)練數(shù)據(jù)〇將它與loci位置塊上的碼本比較，若滿足特征距離相 似度4^(0<屈時(shí)，th為設(shè)定的閾值；將λ:加入到一個(gè)新的集合U中，否則把加入 到位置loci上最相似類局部特征的訓(xùn)練數(shù)據(jù)中，然后重新計(jì)算這類局部特征的類中心，更 新碼本中碼字，其中是按式（7)計(jì)算的特征距離的相似度；
[0026] 其中表示在位置loci上的碼本中第k個(gè)碼字，1彡k彡Num。
[0027] (c)當(dāng)集合U中的數(shù)據(jù)數(shù)量未達(dá)到Q時(shí)，返回步驟（b);當(dāng)集合U中的數(shù)據(jù)數(shù)量達(dá) 到Q時(shí)，重新對集合U進(jìn)行步驟2-1操作，聚類成Numl類，更新NumO為NumO = Numl，如果 wk,lcicl>〇,貝1J就把第k類事件類中心作為碼字添加到位置loci上的碼本中，同時(shí)保存第k類 局部特征的訓(xùn)練數(shù)據(jù)，k = {1，2,...........NumO};清空集合U，類目總數(shù)Num更新為Num =Num+Numl，判斷所有輸入的訓(xùn)練數(shù)據(jù)是否訓(xùn)練完畢，若未完畢則返回步驟（b)。
[0028] 步驟（3)視頻異常事件檢測，具體是：
[0029] 將測試數(shù)據(jù)與訓(xùn)練階段建立的loci位置塊的碼本進(jìn)行比較，1彡loci彡f_ block，若滿足爲(wèi)_(0 <咖寸，則初步認(rèn)為丨在l〇ci位置塊上有異常事件發(fā)生，否則沒 有發(fā)生；
[0030] 步驟（4)時(shí)空后處理，具體是：
[0031] 在t時(shí)刻，若loci位置塊的初始被判有異常事件發(fā)生，則考慮loci位置塊在t_l 時(shí)刻的8-鄰域，如果在鄰域中至少有兩個(gè)位置存在異常，則判l(wèi)oci位置塊上有異常事件發(fā) 生，否則沒有異常事件發(fā)生。
[0032] 本發(fā)明只需對光流特征構(gòu)成的原子集合進(jìn)行譜聚類即可建立正常事件模型。時(shí)空 后處理考慮了判決位置的歷史時(shí)刻的鄰域信息，進(jìn)一步提高了異常事件檢測的準(zhǔn)確性。
【附圖說明】
[0033] 圖1為異常事件檢測模型訓(xùn)練過程圖；
[0034] 圖2為異常事件檢測模型檢測過程圖。
【具體實(shí)施方式】
[0035] 以下結(jié)合附圖和實(shí)施實(shí)例對本發(fā)明加以詳細(xì)說明。
[0036] 本發(fā)明的異常檢測模型訓(xùn)練和檢測過程分別如圖1、圖2所示，具體步驟如下：
[0037] 步驟⑴特征提取，具體是：
[0038] 將視頻中每一幀分割成互不重疊且大小為NXN的塊，并連續(xù)取Μ幀，得到大小為 NX NX Μ的立體塊，因此Μ幀長的視頻可以由若干個(gè)立體塊組成，每個(gè)立體塊稱為原子，取Ν =10，Μ = 3。設(shè)視頻幀的分辨率大小為320X240,每一幀得到塊的數(shù)量f_block = 768。t 時(shí)刻loci位置塊的運(yùn)動(dòng)信息用一個(gè)直方圖表示（，1彡loci彡f_block， loci是整數(shù)，其中h，1 < i < 4,是loci位置塊根據(jù)光流方向按90度間隔量化獲得的4個(gè) 方向上的光流幅值之和。當(dāng)前時(shí)刻為t，結(jié)合t時(shí)刻的前1幀與后1幀的直方圖信息，t時(shí) 刻loci位置上的原子可以表示為，
3??？= 10,得到的原子數(shù)量為 PXf_block = 7680,由這些原子構(gòu)成該視頻的原子集合。
[0039] 步驟⑵特征學(xué)習(xí)，具體如下：
[0040] 2-1.采用拉普拉斯特征映射方法把原子集合映射到低維空間中，再對其進(jìn)行聚 類。首先對原子集構(gòu)建圖G= (V，E)，頂點(diǎn)集V表示各個(gè)原子，帶權(quán)重的邊E表示各個(gè)原子 之間的相似度，圖中第i個(gè)原子與第j個(gè)原子之間邊的權(quán)重按式（1)計(jì)算，1彡i彡P(guān)Xf_ block，1 < j < PX f_