[發(fā)明專利]基于視頻分析的異常行為檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201410354097.6
• 申請日: 2014-07-23
• 公開（公告）號(hào): CN104123544A
• 公開（公告）日: 2014-10-29
• 發(fā)明（設(shè)計(jì)）人: 劉玉進(jìn);安國成;郭楠;李洪研
• 申請（專利權(quán)）人: 通號(hào)通信信息集團(tuán)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 李芙蓉

1.一種基于視頻分析的異常行為檢測方法，其特征在于，包括以下步驟：

從視頻幀中提取行人前景圖像；

對(duì)所述視頻幀進(jìn)行網(wǎng)格劃分，劃分為多個(gè)網(wǎng)格區(qū)域，并設(shè)定所述行人前景圖像所在的所述網(wǎng)格區(qū)域?yàn)檫\(yùn)動(dòng)區(qū)域；

采用最近鄰法對(duì)所述運(yùn)動(dòng)區(qū)域進(jìn)行標(biāo)記，將相鄰的所述視頻幀的所述運(yùn)動(dòng)區(qū)域進(jìn)行關(guān)聯(lián)；

計(jì)算已標(biāo)記的所述運(yùn)動(dòng)區(qū)域內(nèi)的光流特征；

根據(jù)所述光流特征得到加權(quán)方向直方圖；

計(jì)算所述加權(quán)方向直方圖的熵；

采用混合高斯模型選取檢測閾值，根據(jù)所述檢測閾值和所述加權(quán)方向直方圖的熵檢測是否有異常行為發(fā)生，并更新所述檢測閾值。

2.根據(jù)權(quán)利要求1所述的基于視頻分析的異常行為檢測方法，其特征在于，所述從視頻幀中提取行人前景圖像，包括如下步驟：

從視頻幀中提取運(yùn)動(dòng)前景圖像；

根據(jù)預(yù)設(shè)濾波閾值將小面積的所述運(yùn)動(dòng)前景圖像過濾掉，得到行人前景圖像。

3.根據(jù)權(quán)利要求1所述的基于視頻分析的異常行為檢測方法，其特征在于，所述采用最近鄰法對(duì)所述運(yùn)動(dòng)區(qū)域進(jìn)行標(biāo)記，將相鄰的所述視頻幀的所述運(yùn)動(dòng)區(qū)域進(jìn)行關(guān)聯(lián)，包括如下步驟：

計(jì)算所述運(yùn)動(dòng)區(qū)域的零階矩和一階矩；

根據(jù)所述零階矩和所述一階矩計(jì)算得到所述運(yùn)動(dòng)區(qū)域的區(qū)域中心；

根據(jù)所述區(qū)域中心計(jì)算馬氏距離；

將相鄰的所述視頻幀的所述馬氏距離最短的所述運(yùn)動(dòng)區(qū)域進(jìn)行關(guān)聯(lián)。

4.根據(jù)權(quán)利要求1所述的基于視頻分析的異常行為檢測方法，其特征在于，所述采用混合高斯模型選取檢測閾值，根據(jù)所述檢測閾值和所述加權(quán)方向直方圖的熵檢測是否有異常行為發(fā)生，并更新所述檢測閾值，包括以下步驟：

判斷所述加權(quán)方向直方圖的熵是否大于所述檢測閾值；

若是，則判斷有異常行為發(fā)生；

若否，則判斷無異常行為發(fā)生；

將當(dāng)前的加權(quán)方向直方圖的熵作為新的均值，選取新的標(biāo)準(zhǔn)差，得到新的高斯分布；

將所述新的高斯分布替換所述混合高斯模型中權(quán)重最小的高斯分布，形成新的混合高斯模型，根據(jù)所述新的混合高斯模型得到新的所述檢測閾值。

5.根據(jù)權(quán)利要求1至4任一項(xiàng)所述的基于視頻分析的異常行為檢測方法，其特征在于，采用L-K光流算法計(jì)算所述運(yùn)動(dòng)區(qū)域內(nèi)的光流特征。

6.一種基于視頻分析的異常行為檢測系統(tǒng)，其特征在于，包括前景提取模塊，區(qū)域劃分模塊，區(qū)域標(biāo)記模塊，光流特征計(jì)算模塊，加權(quán)方向直方圖模塊，熵計(jì)算模塊和閾值選取更新模塊，其中：

所述前景提取模塊，用于從視頻幀中提取行人前景圖像；

所述區(qū)域劃分模塊，用于對(duì)所述視頻幀進(jìn)行網(wǎng)格劃分，劃分為多個(gè)網(wǎng)格區(qū)域，并設(shè)定所述行人前景圖像所在的所述網(wǎng)格區(qū)域?yàn)檫\(yùn)動(dòng)區(qū)域；

所述區(qū)域標(biāo)記模塊，用于采用最近鄰法對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行標(biāo)記，將相鄰的所述視頻幀的所述運(yùn)動(dòng)區(qū)域進(jìn)行關(guān)聯(lián)；

所述光流特征計(jì)算模塊，用于計(jì)算已標(biāo)記的所述運(yùn)動(dòng)區(qū)域內(nèi)的光流特征；

所述加權(quán)方向直方圖模塊，用于根據(jù)所述光流特征得到加權(quán)方向直方圖；

所述熵計(jì)算模塊，用于計(jì)算所述加權(quán)方向直方圖的熵；

所述閾值選取更新模塊，用于采用混合高斯模型選取檢測閾值，根據(jù)所述檢測閾值和所述加權(quán)方向直方圖的熵檢測是否有異常行為發(fā)生，并更新所述檢測閾值。

7.根據(jù)權(quán)利要求6所述的基于視頻分析的異常行為檢測系統(tǒng)，其特征在于，所述前景提取模塊包括提取單元和過濾單元，其中：

所述提取單元，用于從視頻幀中提取運(yùn)動(dòng)前景圖像；

所述過濾單元，用于根據(jù)預(yù)設(shè)濾波閾值將小面積的所述運(yùn)動(dòng)前景圖像過濾掉，得到行人前景圖像。

8.根據(jù)權(quán)利要求6所述的基于視頻分析的異常行為檢測系統(tǒng)，其特征在于，所述區(qū)域標(biāo)記模塊包括第一計(jì)算單元，第二計(jì)算單元，第三計(jì)算單元和關(guān)聯(lián)單元，其中：

所述第一計(jì)算單元，用于計(jì)算所述運(yùn)動(dòng)區(qū)域的零階矩和一階矩；

所述第二計(jì)算單元，用于根據(jù)所述零階矩和所述一階矩計(jì)算得到所述運(yùn)動(dòng)區(qū)域的區(qū)域中心；

所述第三計(jì)算單元，用于根據(jù)所述區(qū)域中心計(jì)算馬氏距離；

所述關(guān)聯(lián)單元，用于將相鄰的所述視頻幀的所述馬氏距離最短的所述運(yùn)動(dòng)區(qū)域相應(yīng)的進(jìn)行關(guān)聯(lián)。