[發明專利]一種基于概率潛在語義分析的行人異常識別方法

在審

• 申請號: 201611002226.0
• 申請日: 2016-11-10
• 公開（公告）號: CN106650617A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 余國剛;顧麗軍;彭偉鴻;惠志洲;戴小榮;巢文科
• 申請（專利權）人: 江蘇新通達電子科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于概率潛在語義分析的行人異常識別方法，其特征在于，包括下述步驟：

步驟A、取一個視頻樣本，采用混合高斯背景建模算法提取前景目標，對該視頻每一幀生成僅含人體目標的二值掩碼圖片，通過掩碼圖片生成僅含人體目標的視頻；

步驟B、采用基于三維Hessian矩陣檢測生成視頻的時空興趣點；

步驟C、采用HOG3D/HOF描述子計算步驟B中檢測到的時空興趣點，獲得相應的特征向量；

步驟D、采用K-mean聚類算法對視頻的特征向量集合建立視頻圖像的詞袋模型；

步驟E、采用概率潛在語義分析模型訓練視頻集，進行行人異常識別。

2.根據權利要求1所述的一種基于概率潛在語義分析的行人異常識別方法，其特征在于，所述的步驟A包括：

步驟A1、讀取視頻前n幀，用混合高斯模型建立背景模型，對每一幀不斷更新背景模型；

步驟A2、每讀取新的一幀，根據步驟A1所得背景分割出僅含人體的二值圖像；

步驟A3、將二值圖像與原圖像做掩膜操作，生成僅含人體目標的灰度圖像；

步驟A4、將這一系列的灰度圖像合并成僅含前景人體的視頻。

3.根據權利要求1所述的一種基于概率潛在語義分析的行人異常識別方法，其特征在于，所述的步驟B包括：

步驟B1、三維Hessian矩陣定義為

其中，σ、τ分別為空間和時間尺度，ξ、η分別表示x、y或t，g(·；σ²，τ²)為高斯平滑函數，在該尺度下，對每一個像素計算Hessian矩陣行列式，得到興趣點響應函數S＝|det(H)|，在時間、空間和尺度(x，y，t，σ，τ)上采用非最大值抑制選擇局部最大值作為興趣點的位置；

步驟B2、極值點尺度歸一化，時空興趣點局部極值所在尺度和真實尺度之間的關系為：也就是說在5維空間(x，y，t，σ，τ)中，將極值點處的尺度乘以得到興趣點尺度，計算過程采用積分視頻和盒濾波器進行加速。

4.根據權利要求1所述的一種基于概率潛在語義分析的行人異常識別方法，其特征在于，所述的步驟C包括：

步驟C1、將興趣點周圍的視頻塊劃分為不同子塊，每一子塊又劃分為不同的元胞，每個元胞的直方圖q_j由元胞的平均梯度經正多面體量化得到，每個子塊分別用直方圖h_i表示，則子塊直方圖h_i由元胞直方圖q_j累加得到，再將所有子塊直方圖h_i連接得到視頻塊直方圖d_s，進行二范數歸一化最終生成HOG3D特征向量；

步驟C2、平均梯度的計算過程：元胞的平均梯度由積分視頻計算得到，給定一個視頻v(x，y，t)，它沿不同的方向的偏導分別為對的積分視頻定義為對的積分視頻以此類推；對于一個邊長分別為w，h，l視頻塊j＝(x，y，t，w，h，l)^T，平均梯度其中定義為

對以此類推；

步驟C3、平均梯度的量化過程：通常使用正多面體進行量化，設P為所有n個面的中心p₁，…，p_n組成的矩陣P＝(p₁，…，p_n)^T，其中p_i＝(x_i，y_i，t_i)^T，在P下的映射為元胞中的直方圖由各方向的幅值決定，可得元胞梯度直方圖通過元胞梯度直方圖的累加與子塊直方圖級聯生成HOG3D特征；

步驟C4、所述計算圖像序列中光流直方圖HOF特征的方法為：以人體活動時空興趣點p為中心，將局部時空小塊按x，y，t方向均分成n_x×n_y×n_t個小格，將0度至360度的光流方向劃分成0度至90度、90度至180度、180度至270度和270度至360度這四個主方向，外加一個光流量為零的方向；采用LK光流法計算每個像素位置的光流向量之后在這五個方向做量化和直方圖統計，得到每個小格的統計結果為一個五維向量，將每個小格按x，y，t的順序順次連接可得到一個5×n_x×n_y×n_t維的光流直方圖HOF特征；

步驟C5、將HOG3D與HOF特征級聯生成該時空興趣點的HOG3D/HOF特征向量。