[發明專利]一種基于多區域變尺度3D-HOF的監控視頻異常檢測方法

有效

• 申請號: 201710845420.3
• 申請日: 2017-09-19
• 公開（公告）號: CN107967440B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 付利華;崔鑫鑫;丁浩剛;李燦燦
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

本發明公開一種基于多區域變尺度3D?HOF的監控視頻異常檢測方法，首先獲取監控視頻作為輸入，對視頻進行分區處理，然后提取各分區內的變尺度3D?HOF特征和光流方向信息熵，并組合成最終的檢測特征，最后使用稀疏組合學習算法在各分區中學習一個初始稀疏組合集，通過重構誤差判斷新數據是否異常，并使用正常數據在線更新稀疏組合集。應用本發明，不僅解決了監控視頻中存在的透視變形問題，還充分利用不同光流幅值區間內運動信息的差異，可以獲得更精確的運動速度信息。本發明適用于監控視頻的異常檢測，計算復雜度較低，檢測結果準確，算法魯棒性好。本發明在視頻分析技術領域有著廣泛的應用。

技術領域

本發明屬于視頻分析技術領域，尤其涉及一種基于多區域變尺度3D-HOF的監控視頻異常檢測方法，用于監控視頻中異常物體及運動模式檢測。

背景技術

監控視頻異常檢測是視頻分析技術領域的一個重要研究方向，在公共場所的騷亂檢測、地鐵站入口的逃票檢測、火災預警、入侵監測等場景有著廣泛的應用前景。

目前，大多數異常檢測方法是從訓練視頻中學習物體的正常外觀和運動模式的模型，并基于所建立的模型進行異常檢測，卻很少考慮物體在監控視頻中的位置信息對外觀和運動模式的影響。由于視頻中存在透視變形，同一物體在視頻中的不同區域，其外觀和運動模式是不同的，而不同物體在視頻的不同區域，其運動模式卻有可能相同，因此，在監控視頻的異常檢測中，若不考慮物體在視頻中的位置信息對外觀和運動模式所帶來的影響，將會造成誤檢，得不到有效的檢測結果。

綜上所述，在監控視頻的異常檢測中，不考慮視頻中物體的透視變形問題會出現誤檢，但單純地對每個像素建立直方圖來解決透視變形的方法，未將物體的像素作為整體來考慮，將會忽略物體各部分檢測結果的一致性而影響檢測效果；而基于區域劃分的方法從整段視頻的角度將視頻劃分為多個區域，以緩解透視變形對異常檢測帶來的影響，未進一步考慮視頻各區域內光流幅值的不同分布對檢測造成的影響，仍可能導致誤檢。因此，當前需要一種新的解決透視變形問題的監控視頻異常檢測方法，以解決以上問題。

發明內容

本發明要解決的問題是：在監控視頻的異常檢測技術中，不考慮透視變形問題會將遠處的異常運動誤判為近處的正常運動，造成漏檢；而現有的解決透視變形問題的異常檢測方法，沒有考慮視頻中整體與局部的關系，會導致誤檢。需要提出一種新的監控視頻異常檢測方法，提高檢測效果。

為了解決上述問題，本發明提供了一種基于多區域變尺度3D-HOF的監控視頻異常檢測方法。該方法基于訓練視頻中光流幅值的分布規律進行區域劃分，并根據各區域內光流幅值分布范圍的差異，提取其變尺度3D-HOF特征，建立稀疏組合集，從而使用重構誤差得到檢測結果。

為實現上述目的，本發明采用如下的技術方案

一種基于多區域變尺度3D-HOF的監控視頻異常檢測方法，對給定場景下的監控視頻集合，進行如下操作：

1)將監控視頻分為訓練視頻和測試視頻兩部分，其中訓練視頻由正常視頻組成；計算訓練視頻的稠密光流，并基于訓練視頻中光流幅值的分布規律將視頻劃分為多個區域；

2)提取視頻各分區內每個檢測單元的變尺度3D-HOF特征和光流方向信息熵，并將二者組合成最終的檢測特征；

3)在訓練視頻的各分區內，分別使用稀疏組合學習算法學習其稀疏組合集；在檢測時，通過重構誤差判斷異常，并在檢測過程中使用正常數據更新稀疏組合集。

作為優選，所述步驟1)具體為：

1.1)使用Horn-Schunck光流法計算訓練視頻中每幀的稠密光流；

1.2)將訓練視頻按固定大小分為M塊，并將光流幅值分為N個區間后，在每塊內統計光流幅值直方圖，并將第i塊的直方圖統計結果轉換為向量形式：然后再將其轉換為概率分布轉換公式為：