[發明專利]一種視頻異常行為檢測系統

有效

• 申請號: 201310311800.0
• 申請日: 2013-07-23
• 公開（公告）號: CN103390278A
• 公開（公告）日: 2013-11-13
• 發明（設計）人: 郭立;劉鵬;王成彰;于昊
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 楊學明

技術領域

本發明涉及視頻軌跡異常分析檢測領域，具體而言，本發明涉及一種視頻軌跡異常檢測系統。

背景技術

人的行為分析在安全監控高級人機交互視頻會議基于行為的視頻檢索以及醫療診斷等方面有著廣泛的應用前景和潛在的經濟價值是當前計算機視覺領域的一個研究熱點，視頻智能監控系統（Intelligent?Video?Surveillance?System,IVSS）是其最重要的應用之一。

隨著信息技術的發展，近幾年由于公共安全的需要，智能監控方面的需求迅速增加。傳統的被動監控系統通過人工觀測和分析海量的監控數據，導致了高昂的人工成本，較低的識別率和較高的漏檢率，后期在大量的視頻資料中甄選可以用于證據的工作也是極其耗時的。這無法滿足公安，銀行，交通等安全敏感的部門對視頻監控提出的安防要求。

異常行為辨識是智能監控系統的主要任務。智能監控系統的主要要求是實時性和魯棒性。目前的研究還主要集中在有限類別簡單規則的行為識別或者特定場景中的異常行為檢測上。

異常行為的檢測有兩種常用的方法，一種是基于異常與正常行為之間相異度的方法。這一方法又根據是否構建行為模型進一步細分為兩種不同的子方法：

（1）不需要構建行為模型的方法。首先聚類觀察到的行為模式,然后將其中小的聚類標注為異常，檢測時將場景中的行為與數據庫中的正常行為做似然度計算，如似然度偏離超過門限，則判斷為異常。

（2）或者首先構建正常行為集的數據庫，將不能通過數據庫中數據表達的行為標注為異常行為。

這類方法主要用來分析單人行為，并且需要大量的先驗知識來構建模型，而構建出來的模型在場景適應性和實時性上都存在缺陷。

另外一種方法是基于異常行為建模的方法。

首先，從視頻序列中提取圖像特征，特征通常通過偵測和跟蹤運動對象，并計算其軌跡，速度以及形狀描述符得到。然后，基于特征的特征通過人工或監督學習技術構建“正常”行為模型。行為建模通常選擇隱馬爾科夫（HMM）模型或最大熵隱馬爾科夫模型（MEMM)等其他圖模型。

這些模型將圖像特征量化為一系列離散的狀態并建模狀態隨時間的變化方式。為了檢測異常行為，將視頻與一系列正常模型相匹配，其中不適合模型的段落認為是異常。基于模型的方法在“正常行為”可以明確定義和約束的場景中相當有效。然而在典型的現實生活中，界定和建模“正常”行為比確定“異常”行為更加困難。

這兩種方法雖然能夠在固定的場景下建立準確的行為模型，但是需要手工標記大量的行為序列以獲取足夠的訓練樣本，這會造成大量人力資源的浪費。

發明內容

本發明的技術解決問題：克服現有技術的不足，提供一種視頻異常行為檢測系統，實現有效的對全局，長時間行為的檢測，具有很好的適用性，并且具有較高的分類正確率。

本發明技術解決方案：一種視頻異常行為檢測系統，其特點在于包括：

軌跡提取模塊，用于構建訓練視頻和測試視頻中目標的軌跡序列。對視頻提取前景和背景，得到前景之后去噪，去除陰影，構造包圍盒，將包圍盒質心作為軌跡。

區域劃分模塊：將背景進行區域劃分，根據不同的要求可以通過人工劃分或者通過算法自動劃分。通過區域劃分和軌跡坐標相結合得到這些異常行為的特征序列。

條件隨機場建模模塊：采用條件隨機場（CRF）檢測視頻中的異常：軌跡異常在特定背景特定空間上主要表現為在某些位置徘徊，逗留，逆行，越過邊界等。利用之前構造的異常行為特征序列進行條件隨機場模型訓練和參數估計。條件隨機場參數估計可以采用迭代縮放法計算。

待測視頻檢測模塊：完成建模后，將測試序列做同樣的處理，得到特征序列，利用之前建立的模型，計算屬于不同異常行為的條件概率，取最大概率作為其標注，判斷是否為異常行為。

所述軌跡提取模塊實現過程如下：

GMM（混合高斯模型）的思想是一副圖像的每個像素都可以用M個高斯分布的加權和表示，像素的分布為：