基于假設(shè)檢驗(yàn)的人群異常事件檢測方法
【專利摘要】本發(fā)明涉及一種基于人群的異常事件的檢測方法，尤其是基于中密度人群的檢測方法。本發(fā)明通過使用光流法，捕獲人群的運(yùn)動(dòng)信息，從而得到人群的運(yùn)動(dòng)特征描述子；對于每個(gè)視頻幀，提取每個(gè)像素點(diǎn)的特征向量，采用假設(shè)檢驗(yàn)的統(tǒng)計(jì)方法進(jìn)行基于運(yùn)動(dòng)特征描述子的分類；然后，將有假設(shè)檢驗(yàn)?zāi)Ｐ陀?jì)算得到的統(tǒng)計(jì)量值與閾值做比較，從而檢測出異常事件的發(fā)生與否。本發(fā)明不僅在特征提取階段省去了繁瑣的預(yù)處理步驟，而且在檢測階段使用假設(shè)檢驗(yàn)?zāi)Ｐ停诓唤档蜋z測結(jié)果的基礎(chǔ)上，大幅度地降低了檢測階段的時(shí)間復(fù)雜度和計(jì)算復(fù)雜度。本發(fā)明不僅可應(yīng)用于全局異常事件檢測，同樣有也適用于局部異常事件檢測。
【專利說明】
基于假設(shè)檢驗(yàn)的人群異常事件檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種公共場所下人群異常事件檢測的方法，特別涉及一種基于假設(shè)檢 驗(yàn)的人群異常事件檢測的方法。
【背景技術(shù)】
[0002] 近年來，公共場所的安全問題日益突出，對智能監(jiān)控的要求也越來越高，因此，視 頻分析技術(shù)在許多國家已成為研究的熱點(diǎn)，隨著視頻分析技術(shù)研究的深入和系統(tǒng)化，越來 越多的問題也凸現(xiàn)出來。其中一個(gè)重要問題就是如何對公共區(qū)域的人群進(jìn)行有效監(jiān)控。為 此，各個(gè)智能監(jiān)控相關(guān)領(lǐng)域發(fā)展出各種各樣的技術(shù)。其中，基于視頻的人群異常事件檢測技 術(shù)發(fā)展尤為迅猛，這項(xiàng)技術(shù)可以及時(shí)發(fā)現(xiàn)監(jiān)控區(qū)域的異常事件，提高相關(guān)部門的響應(yīng)和救 援效率，從而有效減少公眾人身和財(cái)產(chǎn)的損失。
[0003] 針對人群異常事件檢測問題，主要分為兩個(gè)基本問題，即基本事件表示和異常事 件檢測模型的建立。其中基本事件表示主要分為基于低層視覺特征的事件表示和基于高層 語義特征的事件表示?；诘蛯右曈X特征的事件表示主要是手工提取一些可簡單提取的特 征，這些特征不一定具有強(qiáng)烈的物理意義，其方法主要有:光流、灰度梯度、目標(biāo)輪廓等?；?于高層語義特征的事件表示主要是需要對數(shù)據(jù)進(jìn)行復(fù)雜的處理，其物理意義明顯。常見的 高層語義特征是目標(biāo)時(shí)空軌跡等。其中異常事件檢測模型的建立，主要有:基于分類和聚類 的異常事件檢測模型、基于推斷的異常事件檢測模型、基于能量的異常事件檢測模型和基 于重構(gòu)的異常事件檢測模型等。
[0004]雖然人群異常事件檢測的方法多種多樣，但是多數(shù)人群異常事件檢測算法并不能 實(shí)時(shí)處理，主要的難點(diǎn)在于模型檢測耗時(shí)及較高的計(jì)算復(fù)雜度。

【發(fā)明內(nèi)容】

[0005] 針對上述問題，本發(fā)明公開了一種基于假設(shè)檢驗(yàn)的人群異常事件檢測的方法，該 方法在特征提取階段，仍使用光流作為目標(biāo)運(yùn)動(dòng)描述子，在異常檢測階段，使用假設(shè)檢驗(yàn)的 方法作為人群異常的事件檢測。與傳統(tǒng)方法相比，該方法不僅有較好的檢測結(jié)果，其時(shí)間復(fù) 雜度和計(jì)算復(fù)雜度也有很大的降低。
[0006] 本發(fā)明解決其技術(shù)問題采用的技術(shù)方案步驟如下：
[0007] 本發(fā)明通過使用光流法，捕獲人群的運(yùn)動(dòng)信息，從而得到人群的運(yùn)動(dòng)特征描述子； 對于每個(gè)視頻幀，提取每個(gè)像素點(diǎn)的特征向量，采用假設(shè)檢驗(yàn)的統(tǒng)計(jì)方法進(jìn)行基于運(yùn)動(dòng)特 征描述子的分類;然后將假設(shè)檢驗(yàn)?zāi)Ｐ陀?jì)算得到的統(tǒng)計(jì)量值與閾值做比較，從而檢測出異 常事件的發(fā)生與否，適合于需要實(shí)時(shí)處理的人群場景。
[0008] 本發(fā)明針對基于全局場景下的人群異常事件檢測的具體步驟如下：
[0009] 步驟1:預(yù)處理；
[0010] 首先從視頻流中解碼得到視頻幀，然后對每個(gè)視頻幀進(jìn)行高斯濾波，其具體操作 是:用一個(gè)模板掃描視頻幀中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并 用該加權(quán)平均灰度值替代模板中心像素點(diǎn)的值；
[0011] 步驟2:特征提??；
[0012] 以步驟1高斯濾波后的視頻幀作為輸入，使用稠密光流法Horn-Schunck對每幀圖 像逐像素計(jì)算視頻流中相鄰兩幀間的光流值；
[0013] 步驟3:模型建立；
[0014]使用假設(shè)檢驗(yàn)的方法建立模型；
[0015]步驟4:異常事件的檢測；
[0016] 通過使用步驟3建立的檢測模型對全局場景下的異常事件進(jìn)行檢測；該檢測模型 主要是將每一個(gè)視頻幀作為檢測的樣本集，用多個(gè)正常幀的平均光流值作為訓(xùn)練樣本集， 計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差統(tǒng)計(jì)量q值，并將q值與閾值作比較，如大 于閾值，即假設(shè)不成立，則可判斷出該測試視頻幀為異常幀，否則，假設(shè)成立，則可判斷出該 測試視頻幀為正常幀。
[0017] 步驟3所述的使用假設(shè)檢驗(yàn)的方法建立模型，具體如下：
[0018] 3-1.數(shù)據(jù)預(yù)處理過程
[0019]根據(jù)步驟2中計(jì)算的每幀圖像光流值的結(jié)果，將其作為需要檢測的樣本集，其中， 一個(gè)樣本集是由單幀圖像中所有光流值組成;但又由于單幀圖像中像素點(diǎn)的數(shù)量較多，于 是便引入了積分圖的概念，從而降低計(jì)算時(shí)間；其公式如下：
[0020] r(x,y) = I(x,y)+r(x-l,y)+r(x,y-l)-r(x-l,y-l)
[0021] 式中I'（x,y)為在點(diǎn)（x,y)處計(jì)算積分圖后的結(jié)果，I(x,y)為單幀圖像在點(diǎn)（x,y) 處的光流值；
[0022] 3-2 ?建立假設(shè)檢驗(yàn)?zāi)Ｐ?br>[0023]假設(shè)檢驗(yàn)方法的基本原理是:首先假定樣本集之間的均值是相等的，然后，根據(jù)樣 本集中均值的最大值與最小值計(jì)算學(xué)生化極差分布值，并以此與已知的顯著水平選取閾值 做比較，從而判斷假設(shè)是否成立，若成立，則認(rèn)為樣本集之間是沒有差別的，若不成立，則認(rèn) 為是有差別的，并進(jìn)一步判斷出是哪一個(gè)樣本集與其他樣本集有差別;使用已知的正常事 件的樣本集與測試樣本集作比較，只要得出兩個(gè)樣本集之間不滿足假定則能夠判斷出該測 試樣本為異常的;具體實(shí)現(xiàn)過程如下所示：
[0024] 3-2-1、假設(shè)條件 Ho:lii = li2;
[0025] m為訓(xùn)練樣本集的均值，y2為測試樣本的均值;本發(fā)明主要選取多個(gè)正常視頻幀的 光流值的均值作為訓(xùn)練樣本集，將測試視頻流中單幀圖像的光流值作為測試樣本集；
[0026] 3-2-2、計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量；
[0028]式中ydnew和ytnew為數(shù)據(jù)預(yù)處理后測試樣本集和訓(xùn)練樣本集的光流值的均值，s new為 數(shù)據(jù)預(yù)處理后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根;其中，m為樣本集的個(gè) 數(shù)，取值為2; n為樣本集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15;
[0029] 3-2-3、閾值的選取:對于已知的顯著水平a和已知的自由度(m，m(n_l))，根據(jù)學(xué)生 化極差分布表得到qa (m，m (n-1))的值作為閾值；
[0030] 3-2-4、評判準(zhǔn)則:若計(jì)算得到的學(xué)生化極差分布統(tǒng)計(jì)量q大于等于閾值qa(m，m(n- 1 ))，則認(rèn)為假設(shè)條件Ho不成立，即樣本集之間有差異，以此便可判斷該測試視頻幀為異常 幀，否則，若q小于閾值9。(111，111(11-1))則認(rèn)為假設(shè)條件Ho成立，即認(rèn)為該測試視頻幀為正常 幀。
[0031 ]本發(fā)明針對基于局部場景下的人群異常事件檢測的具體步驟如下：
[0032] 步驟1、：預(yù)處理；
[0033]從視頻流中解碼得到視頻幀，然后對每個(gè)視頻幀進(jìn)行高斯濾波，其具體操作是：用 一個(gè)模板掃描視頻幀中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并用該 加權(quán)平均灰度值替代模板中心像素點(diǎn)的值；
[0034]步驟2:特征提取；
[0035]以步驟1高斯濾波后的視頻幀作為輸入，使用稠密光流法Horn-Schunck對每幀圖 像逐像素計(jì)算視頻流中相鄰兩幀間的光流值；
[0036] 步驟3:模型建立；
[0037] 首先將視頻幀分為ml Xnl大小的window，然后，根據(jù)計(jì)算得到的結(jié)果，抽取一組ml X nl區(qū)域大小的光流值來繪制其分布曲線進(jìn)行統(tǒng)計(jì)分析，從而發(fā)現(xiàn)每個(gè)window的光流值均 服從正態(tài)分布，因此同樣使用假設(shè)檢驗(yàn)的方法建立模型，具體過程如下：
[0038] (^假設(shè)條件扯:講二叱；
[0039] m為訓(xùn)練樣本集的均值，y2為測試樣本的均值;本發(fā)明主要選取多個(gè)正常視頻幀的 多個(gè)ml Xnl大小的window的光流值的均值作為訓(xùn)練樣本集，將測試視頻流中單幀圖像的每 個(gè)m 1 X n 1大小的w i ndow的光流值作為測試樣本集；
[0040] (2)計(jì)算樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量；
[0041] 在該處理階段中由于使用步驟2中的稠密光流法計(jì)算得到的特征描述子噪聲干擾 較大，且又將較小的ml Xnl區(qū)域作為檢測的目標(biāo)區(qū)域，這就使得計(jì)算的學(xué)生化極差分布值 不夠準(zhǔn)確，因此，對ml Xnl區(qū)域中的光流值進(jìn)行修偏操作，計(jì)算公式如下：
[0043] 式中Xnew為ml Xnl大小的window中優(yōu)化后的光流值，Xwind?為初始的ml Xnl大小的 window的光流值，初始的ml Xnl大小的window的平均光流值，Swind?為初始的ml X n 1大小的w i ndow的光流值的標(biāo)準(zhǔn)方差；
[0044] 然后對優(yōu)化后的ml Xnl大小的window計(jì)算訓(xùn)練window樣本集與測試window樣本 集的學(xué)生化極差分布值，計(jì)算公式如下：
[0046]式中Wm*和iWw為光流值優(yōu)化后的測試樣本集和訓(xùn)練樣本集的均值，sne5W為光流值 優(yōu)化后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根;其中，m為樣本集的個(gè)數(shù)，n為 樣本集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15;
[0047] (3)閾值的選取:對于已知的顯著水平a和已知的自由度(m，m(n_l))，根據(jù)學(xué)生化 極差分布表可以得到qa(m，m(n-l))的值作為閾值，其中m為樣本的個(gè)數(shù)，n為每個(gè)樣本中樣 本點(diǎn)的個(gè)數(shù)；
[0048] (4)評判準(zhǔn)則:若計(jì)算得到的學(xué)生化極差分布值q大于等于閾值qa(m，m(n-l))，則 認(rèn)為假設(shè)條件Ho不成立，即樣本集之間有差異，以此便可判斷該測試視頻幀為異常幀，否 貝1J，若q小于閾值9一， 111(11-1))則認(rèn)為假設(shè)條件Ho成立，即認(rèn)為該測試視頻幀為正常幀； [0049]步驟4:異常事件的檢測；
[0050]通過使用步驟3建立的檢測模型對局部場景下的異常事件進(jìn)行檢測；該檢測模型 主要是將視頻幀的某個(gè)ml Xnl大小的window作為檢測的樣本集，用多個(gè)正常幀的多個(gè)ml X nl大小的windowd的平均光流值作為訓(xùn)練樣本集，計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué) 生化極差統(tǒng)計(jì)量q值，并將q值與閾值作比較，如大于閾值，即假設(shè)不成立，則可判斷出該測 試視頻幀為異常幀，否則，假設(shè)成立，則可判斷出該測試視頻幀為正常幀。
[00511本發(fā)明的有益效果：
[0052] 1.本發(fā)明在特征提取階段，只是對原始的視頻幀進(jìn)行了簡單的去噪，然后進(jìn)行光 流值的計(jì)算，這很好的降低了計(jì)算的復(fù)雜度，并很好地保留了人群的運(yùn)動(dòng)信息，這在中高密 度人群中特別適用。
[0053] 2.本發(fā)明在模型建立和檢測階段，使用了假設(shè)檢驗(yàn)的方法。該方法針對特征提取 階段，光流法的計(jì)算引起的噪聲有很好的魯棒性，并且該方法在不降低檢測結(jié)果的條件下， 其時(shí)間復(fù)雜度相較于傳統(tǒng)的方法有很好的優(yōu)化。
【附圖說明】
[0054] 圖1為全局異常情況下人群異常事件檢測的流程圖。
[0055] 圖2為全局異常情況下視頻幀進(jìn)行光流值計(jì)算后的圖像。
[0056] 圖3為全局異常情況下視頻幀的檢測結(jié)果。
[0057] 圖4為局部異常情況下人群異常事件檢測的流程圖。
[0058] 圖5為局部異常情況下視頻幀進(jìn)行光流值計(jì)算后的圖像。
[0059]圖6為局部異常情況下視頻幀的檢測結(jié)果。
【具體實(shí)施方式】
[0060] 下面結(jié)合附圖，對本發(fā)明的具體實(shí)施方案作進(jìn)一步詳細(xì)描述。
[0061] 如圖1所示為基于假設(shè)檢驗(yàn)的人群異常事件檢測的方法，針對基于全局場景下的 人群異常事件檢測，其具體步驟描述如圖1所示：
[0062] 步驟1:預(yù)處理。
[0063] 首先從視頻流中解碼得到視頻幀，然后對每個(gè)視頻幀進(jìn)行高斯濾波，其具體操作 是:用一個(gè)模板掃描視頻幀中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并 用該加權(quán)平均灰度值替代模板中心像素點(diǎn)的值。
[0064] 所述的模板，或稱卷積、掩模，是大小為N*N的0和1的矩陣；
[0065] 步驟2:特征提取。
[0066]以步驟1高斯濾波后的視頻幀作為輸入，使用稠密光流法Horn-Schunck對每幀圖 像逐像素計(jì)算視頻流中相鄰兩幀間的光流值。其結(jié)果如圖2所示。
[0067] 步驟3:模型建立。
[0068]全局場景下的人群異常事件檢測，主要是檢測視頻集中哪些視頻幀為有異常事件 發(fā)生。因此，若使用假設(shè)檢驗(yàn)的方法進(jìn)行建模，則需要判斷由單幀圖像的光流值組成的樣本 集是否服從正態(tài)分布。針對步驟2計(jì)算得到的結(jié)果，對每幀圖像的光流值大小繪制其分布曲 線進(jìn)行統(tǒng)計(jì)分析，可以發(fā)現(xiàn)每幀圖像的光流值均服從正態(tài)分布，因此可以使用假設(shè)檢驗(yàn)的 方法建立模型。本發(fā)明使用假設(shè)檢驗(yàn)的方法對檢測目標(biāo)建立模型，其具體過程如下：
[0069] 3-1 ?數(shù)據(jù)預(yù)處理過程
[0070]根據(jù)步驟2中計(jì)算的每幀圖像光流值的結(jié)果，將其作為需要檢測的樣本集，其中， 一個(gè)樣本集是由單幀圖像中所有光流值組成。但又由于單幀圖像中像素點(diǎn)的數(shù)量較多，于 是便引入了積分圖的概念，從而降低計(jì)算時(shí)間。其公式如下：
[0071] r(x,y) = I(x,y)+r(x-l,y)+r(x,y-l)-r(x-l,y-l)
[0072] 式中I'（x,y)為在點(diǎn)（x,y)處計(jì)算積分圖后的結(jié)果，I(x,y)為單幀圖像在點(diǎn)（x,y) 處的光流值。
[0073] 3-2.建立假設(shè)檢驗(yàn)?zāi)Ｐ?br>[0074] 根據(jù)步驟3的統(tǒng)計(jì)分析結(jié)果可知，其滿足假設(shè)檢驗(yàn)方法的前提條件，但由于對數(shù)據(jù) 進(jìn)行了預(yù)處理，因此對預(yù)處理后的數(shù)據(jù)做進(jìn)一步的分析，同樣繪制預(yù)處理后數(shù)據(jù)的分布曲 線進(jìn)行統(tǒng)計(jì)分析，可以發(fā)現(xiàn)預(yù)處理后的數(shù)據(jù)集仍然服從正態(tài)分布，因此可以使用假設(shè)檢驗(yàn) 的方法作為異常事件的檢測模型。
[0075] 假設(shè)檢驗(yàn)方法的基本原理是:首先假定樣本集之間的均值是相等的，然后，根據(jù)樣 本集中均值的最大值與最小值計(jì)算學(xué)生化極差分布值，并以此與已知的顯著水平選取閾值 做比較，從而判斷假設(shè)是否成立，若成立，則認(rèn)為樣本集之間是沒有差別的，若不成立，則認(rèn) 為是有差別的，并進(jìn)一步判斷出是哪一個(gè)樣本集與其他樣本集有差別。但在本發(fā)明中，我們 使用已知的正常事件的樣本集與測試樣本集作比較，因此，只要得出兩個(gè)樣本集之間不滿 足假定則可以判斷出該測試樣本為異常的。具體實(shí)現(xiàn)過程如下所示：
[0076] (^假設(shè)條件扯:講二叱；
[0077] m為訓(xùn)練樣本集的均值，y2為測試樣本的均值。本發(fā)明主要選取多個(gè)正常視頻幀的 光流值的均值作為訓(xùn)練樣本集，將測試視頻流中單幀圖像的光流值作為測試樣本集。
[0078] (2)計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量；
[0080]式中ydnew和ytnew為數(shù)據(jù)預(yù)處理后測試樣本集和訓(xùn)練樣本集的光流值的均值， Snew為 數(shù)據(jù)預(yù)處理后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根。其中，m為樣本集的個(gè) 數(shù)，取值為2; n為樣本集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15。
[0081] (3)閾值的選取:對于已知的顯著水平a和已知的自由度(m，m(n_l))，根據(jù)學(xué)生化 極差分布表得到9<1(111，1]1(11-1))的值作為閾值；
[0082] (4)評判準(zhǔn)則：若計(jì)算得到的學(xué)生化極差分布統(tǒng)計(jì)量q大于等于閾值qa(m，m(n- 1 ))，則認(rèn)為假設(shè)條件Ho不成立，即樣本集之間有差異，以此便可判斷該測試視頻幀為異常 幀，否則，若q小于閾值9。(111，111(11-1))則認(rèn)為假設(shè)條件Ho成立，即認(rèn)為該測試視頻幀為正常 幀。
[0083]步驟4:異常事件的檢測。
[0084] 通過使用步驟3建立的檢測模型對全局場景下的異常事件進(jìn)行檢測。該檢測模型 主要是將每一個(gè)視頻幀作為檢測的樣本集，用多個(gè)正常幀的平均光流值作為訓(xùn)練樣本集， 計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差統(tǒng)計(jì)量q值，并將q值與閾值作比較，如大 于閾值，即假設(shè)不成立，則可判斷出該測試視頻幀為異常幀，否則，假設(shè)成立，則可判斷出該 測試視頻幀為正常幀。關(guān)于全局場景下的檢測結(jié)果如圖3所示。
[0085] 如圖4所示為基于假設(shè)檢驗(yàn)的人群異常事件檢測的方法，針對基于局部場景下的 人群異常事件檢測，其具體步驟描述如圖4所示：
[0086] 步驟1:預(yù)處理。
[0087] 從視頻流中解碼得到視頻幀，然后對每個(gè)視頻幀進(jìn)行高斯濾波，其具體操作是：用 一個(gè)模板掃描視頻幀中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并用該 加權(quán)平均灰度值替代模板中心像素點(diǎn)的值。
[0088] 所述的模板，或稱卷積、掩模，是大小為N*N的0和1的矩陣；
[0089] 步驟2:特征提取。
[0090]以步驟1高斯濾波后的視頻幀作為輸入，使用稠密光流法Horn-Schunck對每幀圖 像逐像素計(jì)算視頻流中相鄰兩幀間的光流值，其結(jié)果如圖5所示。
[0091] 步驟3:模型建立。
[0092] 基于局部異常事件的檢測，主要是檢測視頻幀中的哪些區(qū)域?yàn)橛挟惓Ｊ录l(fā)生。 因此，若使用假設(shè)檢驗(yàn)的方法進(jìn)行建模，則需要判斷由單幀圖像的某個(gè)區(qū)域的光流值組成 的樣本集是否服從正態(tài)分布。首先將視頻幀分為ml Xnl大小的window，然后，根據(jù)步驟2計(jì) 算得到的結(jié)果，抽取一組ml Xnl區(qū)域大小的光流值來繪制其分布曲線進(jìn)行統(tǒng)計(jì)分析，可以 發(fā)現(xiàn)每個(gè)window的光流值均服從正態(tài)分布，因此可以使用假設(shè)檢驗(yàn)的方法建立模型。
[0093] 本發(fā)明使用假設(shè)檢驗(yàn)的方法對檢測目標(biāo)建立模型，其具體過程如下：
[0094] (1)假設(shè)條件出:講二叱；
[0095] m為訓(xùn)練樣本集的均值，y2為測試樣本的均值。本發(fā)明主要選取多個(gè)正常視頻幀的 多個(gè)ml Xnl大小的window的光流值的均值作為訓(xùn)練樣本集，將測試視頻流中單幀圖像的每 個(gè)m 1 X n 1大小的w i ndow的光流值作為測試樣本集。
[0096] (2)計(jì)算樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量；
[0097] 在該處理階段中由于使用步驟2中的稠密光流法計(jì)算得到的特征描述子噪聲干擾 較大，且又將較小的ml Xnl區(qū)域作為檢測的目標(biāo)區(qū)域，這就使得計(jì)算的學(xué)生化極差分布值 不夠準(zhǔn)確，因此，本發(fā)明中對ml Xnl區(qū)域中的光流值進(jìn)行修偏操作，計(jì)算公式如下：
[0099] 式中xne5w為ml Xnl大小的window中優(yōu)化后的光流值，Xwind?為初始的ml Xnl大小的 window的光流值，初始的ml Xnl大小的window的平均光流值，swind?為初始的ml x n 1大小的w i ndow的光流值的標(biāo)準(zhǔn)方差。
[0100] 然后對優(yōu)化后的ml Xnl大小的window計(jì)算訓(xùn)練window樣本集與測試window樣本 集的學(xué)生化極差分布值，計(jì)算公式如下：
[0102]式中Wnew和iitnew為光流值優(yōu)化后的測試樣本集和訓(xùn)練樣本集的均值，Snew為光流值 優(yōu)化后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根。其中，m為樣本集的個(gè)數(shù)，n為 樣本集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15。
[0103] (3)閾值的選取:對于已知的顯著水平a和已知的自由度(m，m(n_l))，根據(jù)學(xué)生化 極差分布表可以得到qa(m，m(n-l))的值作為閾值，其中m為樣本的個(gè)數(shù)，n為每個(gè)樣本中樣 本點(diǎn)的個(gè)數(shù)。
[0104] (4)評判準(zhǔn)則:若計(jì)算得到的學(xué)生化極差分布值q大于等于閾值qa(m，m(n-l))，則 認(rèn)為假設(shè)條件Ho不成立，即樣本集之間有差異，以此便可判斷該測試視頻幀為異常幀，否 貝1J，若q小于閾值9一，111(11-1))則認(rèn)為假設(shè)條件Ho成立，即認(rèn)為該測試視頻幀為正常幀。
[0105]步驟4:異常事件的檢測。
[0106]通過使用步驟3建立的檢測模型對局部場景下的異常事件進(jìn)行檢測。該檢測模型 主要是將視頻幀的某個(gè)ml Xnl大小的window作為檢測的樣本集，用多個(gè)正常幀的多個(gè)ml X nl大小的windowd的平均光流值作為訓(xùn)練樣本集，計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué) 生化極差統(tǒng)計(jì)量q值，并將q值與閾值作比較，如大于閾值，即假設(shè)不成立，則可判斷出該測 試視頻幀為異常幀，否則，假設(shè)成立，則可判斷出該測試視頻幀為正常幀。關(guān)于局部場景下 的檢測結(jié)果如圖6所示。
【主權(quán)項(xiàng)】
1. 基于假設(shè)檢驗(yàn)的人群異常事件檢測方法，其特征在于通過使用光流法，捕獲人群的 運(yùn)動(dòng)信息，從而得到人群的運(yùn)動(dòng)特征描述子;對于每個(gè)視頻帖，提取每個(gè)像素點(diǎn)的特征向 量，采用假設(shè)檢驗(yàn)的統(tǒng)計(jì)方法進(jìn)行基于運(yùn)動(dòng)特征描述子的分類;然后將假設(shè)檢驗(yàn)?zāi)Ｐ陀?jì)算 得到的統(tǒng)計(jì)量值與闊值做比較，從而檢測出異常事件的發(fā)生與否，適合于需要實(shí)時(shí)處理的 人群場景。2. 根據(jù)權(quán)利要求1所述的基于假設(shè)檢驗(yàn)的人群異常事件檢測方法，其特征在于針對基 于全局場景下的人群異常事件檢測的具體步驟如下： 步驟1:預(yù)處理 首先從視頻流中解碼得到視頻帖，然后對每個(gè)視頻帖進(jìn)行高斯濾波，其具體操作是：用 一個(gè)模板掃描視頻帖中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并用該 加權(quán)平均灰度值替代模板中屯、像素點(diǎn)的值； 步驟2:特征提取； W步驟1高斯濾波后的視頻帖作為輸入，使用稠密光流法化rn-Schunck對每帖圖像逐 像素計(jì)算視頻流中相鄰兩帖間的光流值； 步驟3:模型建立； 使用假設(shè)檢驗(yàn)的方法建立模型； 步驟4:異常事件的檢測； 通過使用步驟3建立的檢測模型對全局場景下的異常事件進(jìn)行檢測；該檢測模型主要 是將每一個(gè)視頻帖作為檢測的樣本集，用多個(gè)正常帖的平均光流值作為訓(xùn)練樣本集，計(jì)算 訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差統(tǒng)計(jì)量q值，并將q值與闊值作比較，如大于闊 值，即假設(shè)不成立，則可判斷出該測試視頻帖為異常帖，否則，假設(shè)成立，則可判斷出該測試 視頻帖為正常帖。3. 根據(jù)權(quán)利要求2所述的基于假設(shè)檢驗(yàn)的人群異常事件檢測方法，其特征在于步驟1所 述的模板，或稱卷積、掩模，是大小為N*N的O和1的矩陣。4. 根據(jù)權(quán)利要求2所述的基于假設(shè)檢驗(yàn)的人群異常事件檢測方法，其特征在于步驟3所 述的使用假設(shè)檢驗(yàn)的方法建立模型，具體如下： 3-1.數(shù)據(jù)預(yù)處理過程 根據(jù)步驟2中計(jì)算的每帖圖像光流值的結(jié)果，將其作為需要檢測的樣本集，其中，一個(gè) 樣本集是由單帖圖像中所有光流值組成;但又由于單帖圖像中像素點(diǎn)的數(shù)量較多，于是便 引入了積分圖的概念，從而降低計(jì)算時(shí)間；其公式如下： r(x,y) = I(x,y)+r(x-l,y)+r(x,y-l)-r(x-l,y-l) 式中r(x，y)為在點(diǎn)（x，y)處計(jì)算積分圖后的結(jié)果，I(x，y)為單帖圖像在點(diǎn)（x，y)處的 光流值； 3-2.建立假設(shè)檢驗(yàn)?zāi)Ｐ? 假設(shè)檢驗(yàn)方法的基本原理是:首先假定樣本集之間的均值是相等的，然后，根據(jù)樣本集 中均值的最大值與最小值計(jì)算學(xué)生化極差分布值，并W此與已知的顯著水平選取闊值做比 較，從而判斷假設(shè)是否成立，若成立，則認(rèn)為樣本集之間是沒有差別的，若不成立，則認(rèn)為是 有差別的，并進(jìn)一步判斷出是哪一個(gè)樣本集與其他樣本集有差別;使用已知的正常事件的 樣本集與測試樣本集作比較，只要得出兩個(gè)樣本集之間不滿足假定則能夠判斷出該測試樣 本為異常的;具體實(shí)現(xiàn)過程如下所示： 3-2-1、假設(shè)條件Ho: iii =化； 為訓(xùn)練樣本集的均值，為測試樣本的均值;本發(fā)明主要選取多個(gè)正常視頻帖的光流 值的均值作為訓(xùn)練樣本集，將測試視頻流中單帖圖像的光流值作為測試樣本集； 3-2-2、計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量；式中Wnew和iitnew為數(shù)據(jù)預(yù)處理后測試樣本集和訓(xùn)練樣本集的光流值的均值，Snew為數(shù)據(jù) 預(yù)處理后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根;其中，m為樣本集的個(gè)數(shù)， 取值為2; n為樣本集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15; 3-2-3、闊值的選取:對于已知的顯著水平a和已知的自由度(m，m(n-l))，根據(jù)學(xué)生化極 差分布表得到qa(m，m(n-l))的值作為闊值； 3-2-4、評判準(zhǔn)則:若計(jì)算得到的學(xué)生化極差分布統(tǒng)計(jì)量q大于等于闊值qa(m，m(n-l))， 則認(rèn)為假設(shè)條件化不成立，即樣本集之間有差異，W此便可判斷該測試視頻帖為異常帖，否 貝1J，若q小于闊值qa(m，m(n-l))則認(rèn)為假設(shè)條件化成立，即認(rèn)為該測試視頻帖為正常帖。5.根據(jù)權(quán)利要求1所述的基于假設(shè)檢驗(yàn)的人群異常事件檢測方法，其特征在于針對基 于局部場景下的人群異常事件檢測的具體步驟如下： 步驟1、從視頻流中解碼得到視頻帖，然后對每個(gè)視頻帖進(jìn)行高斯濾波，其具體操作是： 用一個(gè)模板掃描視頻帖中的每一個(gè)像素，用模板確定鄰域內(nèi)像素的加權(quán)平均灰度值，并用 該加權(quán)平均灰度值替代模板中屯、像素點(diǎn)的值； 步驟2:特征提取； W步驟1高斯濾波后的視頻帖作為輸入，使用稠密光流法化rn-Schunck對每帖圖像逐 像素計(jì)算視頻流中相鄰兩帖間的光流值； 步驟3:模型建立； 首先將視頻帖分為ml Xnl大小的window,然后，根據(jù)步驟2計(jì)算得到的結(jié)果，抽取一組 ml Xnl區(qū)域大小的光流值來繪制其分布曲線進(jìn)行統(tǒng)計(jì)分析，從而發(fā)現(xiàn)每個(gè)window的光流值 均服從正態(tài)分布，因此同樣使用假設(shè)檢驗(yàn)的方法建立模型，具體過程如下： (1) 假設(shè)條件化:Wi =化； 為訓(xùn)練樣本集的均值，為測試樣本的均值;本發(fā)明主要選取多個(gè)正常視頻帖的多個(gè) ml Xnl大小的window的光流值的均值作為訓(xùn)練樣本集，將測試視頻流中單帖圖像的每個(gè)ml X n 1大小的W i ndow的光流值作為測試樣本集； (2) 計(jì)算樣本集之間的學(xué)生化極差分布統(tǒng)計(jì)量； 在該處理階段中由于使用步驟2中的稠密光流法計(jì)算得到的特征描述子噪聲干擾較 大，且又將較小的ml Xnl區(qū)域作為檢測的目標(biāo)區(qū)域，運(yùn)就使得計(jì)算的學(xué)生化極差分布值不 夠準(zhǔn)確，因此，對ml Xnl區(qū)城中的并流值講行修偏極化，計(jì)貸公式化下：式中Xnew為m I X n I大小的W indoW中優(yōu)化后的光流值，XwindOW為初始的m I X n I大小的 window的光流值，X。,,.,k/wv為初始的ml Xnl大小的window的平均光流值，Swincbw為初始的ml X n 1大小的W i ndow的光流值的標(biāo)準(zhǔn)方差； 然后對優(yōu)化后的ml Xnl大小的window計(jì)算訓(xùn)練window樣本集與測試window樣本集的 學(xué)生化極差分布值，計(jì)算公式如下：式中Wnew和iitnew為光流值優(yōu)化后的測試樣本集和訓(xùn)練樣本集的均值，Snew為光流值優(yōu)化 后測試樣本集的方差與訓(xùn)練樣本集的方差的和的平方根;其中，m為樣本集的個(gè)數(shù)，n為樣本 集中樣本點(diǎn)的個(gè)數(shù)，C為修偏常數(shù)，取為15; (3) 闊值的選取:對于已知的顯著水平a和已知的自由度(m，m(n-l))，根據(jù)學(xué)生化極差 分布表可W得到qa(m，m(n-l))的值作為闊值，其中m為樣本的個(gè)數(shù)，n為每個(gè)樣本中樣本點(diǎn) 的個(gè)數(shù)； (4) 評判準(zhǔn)則:若計(jì)算得到的學(xué)生化極差分布值q大于等于闊值qa(m，m(n-l))，則認(rèn)為假 設(shè)條件化不成立，即樣本集之間有差異，W此便可判斷該測試視頻帖為異常帖，否則，若q小 于闊值qa(m，m(n-l))則認(rèn)為假設(shè)條件化成立，即認(rèn)為該測試視頻帖為正常帖； 步驟4:異常事件的檢測； 通過使用步驟3建立的檢測模型對局部場景下的異常事件進(jìn)行檢測；該檢測模型主要 是將視頻帖的某個(gè)ml Xnl大小的window作為檢測的樣本集，用多個(gè)正常帖的多個(gè)ml Xnl大 小的Windowd的平均光流值作為訓(xùn)練樣本集，計(jì)算訓(xùn)練樣本集與測試樣本集之間的學(xué)生化 極差統(tǒng)計(jì)量q值，并將q值與闊值作比較，如大于闊值，即假設(shè)不成立，則可判斷出該測試視 頻帖為異常帖，否則，假設(shè)成立，則可判斷出該測試視頻帖為正常帖。
【文檔編號】G06K9/00GK105913008SQ201610213811
【公開日】2016年8月31日
【申請日】2016年4月7日
【發(fā)明人】徐向華, 呂艷艷, 李平
【申請人】杭州電子科技大學(xué)