[發(fā)明專利]一種采用單類序列化模型的人群異常行為檢測方法

在審

• 申請?zhí)枺?/td>: 201410312813.4
• 申請日: 2014-07-01
• 公開（公告）號: CN104077571A
• 公開（公告）日: 2014-10-01
• 發(fā)明（設(shè)計(jì)）人: 紀(jì)慶革;李小蓮;陳青輝
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

1.一種采用單類序列化模型的人群異常行為檢測方法，獲取人群視頻圖像，將每一幀圖像用同一組均勻的橫向以及縱向的網(wǎng)格線分隔成多個(gè)區(qū)域單元，其特征在于，采用基于區(qū)域社會(huì)力ASF的特征來表示圖像，

在訓(xùn)練過程中，結(jié)合區(qū)域社會(huì)力特征訓(xùn)練得到支持向量數(shù)據(jù)描述SVDD模型；

在測試過程中，結(jié)合支持向量數(shù)據(jù)描述的SVDD模型來檢測人群異常，基于視頻數(shù)據(jù)的序列性特征，采取連續(xù)密度的隱馬爾可夫模型CDHMM來平滑處理異常檢測結(jié)果，得到基于區(qū)域社會(huì)力的單類序列化模型的ASF+SVDD人群異常檢測，實(shí)現(xiàn)異常定位。

2.根據(jù)權(quán)利要求1所述的采用單類序列化模型的人群行為檢測方法，其特征在于，在基于區(qū)域社會(huì)力特征提取前，采用統(tǒng)計(jì)的方法，去除所有場景圖像的干擾，剔除場景圖像的粒子光流，具體流程：

1)對圖像中所有的幀計(jì)算任意兩幀之間的灰度差，將灰度差小于閾值τ的點(diǎn)標(biāo)記為背景點(diǎn)；

2)統(tǒng)計(jì)所有幀中各個(gè)位置被標(biāo)記為背景點(diǎn)的次數(shù)，得到整個(gè)視頻的區(qū)域活動(dòng)圖；

3)若該位置被標(biāo)記為背景點(diǎn)的次數(shù)超過總次數(shù)的比例η，則將其標(biāo)記為整個(gè)視頻的背景點(diǎn)，得到新的活動(dòng)圖；

4)將步驟3)得到的活動(dòng)圖作為掩碼圖，與樣本進(jìn)行“與”操作，即可將樣本的背景區(qū)域去除。

3.根據(jù)權(quán)利要求2所述的采用單類序列化模型的人群行為檢測方法，其特征在于，在計(jì)算區(qū)域社會(huì)力時(shí)每次都需要重新對依據(jù)權(quán)利要求2處理后的場景圖的前景輪廓采樣，即每個(gè)粒子的生命周期只有1幀。

4.根據(jù)權(quán)利要求3所述的采用單類序列化模型的人群行為檢測方法，其特征在于，在計(jì)算區(qū)域社會(huì)力之前，采用區(qū)域歸一化主導(dǎo)模式，將各人群區(qū)域的光流場歸一化至同一個(gè)總體光流場值。

5.根據(jù)權(quán)利要求1所述的采用單類序列化模型的人群行為檢測方法，其特征在于，在測試過程中，還采用定時(shí)在線更新的方式更新SVDD模型，定時(shí)在線更新過程如下：

維護(hù)工作集P₁，初始P₁為支持向量集，初始時(shí)間計(jì)數(shù)器count為0，定時(shí)更新時(shí)間為ut，f(T)為高斯權(quán)重函數(shù)，為篩選的權(quán)重：

21)當(dāng)有新的測試樣本x到達(dá)時(shí)，所有的樣本包括這個(gè)測試樣本的時(shí)間都增加1，時(shí)間計(jì)數(shù)器count增加1；

22)使用當(dāng)前的SVDD模型預(yù)測樣本x，若x為正常樣本，則將x并入到工作集中，同時(shí)將x的權(quán)重設(shè)為一個(gè)較小的值f(0)，樣本x的時(shí)間重設(shè)為0；

23)按照權(quán)重函數(shù)w＝f(T)更新工作集P₁中所有數(shù)據(jù)的權(quán)重，并將工作集中數(shù)據(jù)權(quán)重值小于的樣本從工作集中刪除；

24)若時(shí)間計(jì)數(shù)器count的值超過定時(shí)更新時(shí)間，則根據(jù)當(dāng)前的工作集P₁更新SVDD模型，同時(shí)將時(shí)間計(jì)數(shù)器重置為0；

25)若還有新的測試樣本，則執(zhí)行步驟21)。

6.根據(jù)權(quán)利要求1所述的采用單類序列化模型的人群行為檢測方法，其特征在于，基于視頻數(shù)據(jù)的序列化特征，將SVDD模型得到的距離向量作為CDHMM模型的觀察序列，通過最大化觀察序列的概率得到對應(yīng)的最佳隱狀態(tài)序列，將隱狀態(tài)序列的序號進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換，得到基于ASF+SVDD的異常定位。