[發明專利]一種交通路口視頻監控的交通模式和異常行為的檢測方法

有效

• 申請號: 201711030491.4
• 申請日: 2017-10-27
• 公開（公告）號: CN107832688B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 周厚奎;王陳燕
• 申請（專利權）人: 浙江農林大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;H04N7/18;H04N21/44;H04N21/472
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種交通模式和異常行為的檢測方法，其方法包括步驟：A1，將時長為T秒的視頻劃分為長度為T_s秒的短視頻剪輯，共得到T/T_s個視頻文檔；A2，對每個視頻文檔，計算其每相鄰兩對視頻幀的光流向量；A3，對所得的光流向量量化得到每對視頻幀的視頻詞；A4，統計每個視頻文檔的視頻詞的計數向量，得到視頻文檔集的文檔?詞計數矩陣；A5，利用BNBP?PFA主題模型進行主題提取，得到主題?詞的分布和文檔?主題的分布；A6，將得到的主題?詞分布、文檔?主題分布分別作為新的詞和新的文檔，利用BNBP?PFA主題模型得到第二層主題模型的主題；A7，基于兩層主題模型的對數似然函數值，檢測視頻幀中的異常行為。

技術領域

本發明涉及一種交通模式和異常行為的檢測方法，特別涉及一種交通路口的視頻監控的交通模式和異常行為的檢測方法。

背景技術

隨著機器視覺和數據挖掘技術的發展，自動發現視頻監控數據中的有用信息成為可能。其中，從擁擠的人、車流交通路口場景的視頻數據中發現有規律的交通模式或者反常的交通行為，成為一類還未完全解決的有重要研究價值和技術應用前景的問題。解決這類問題，往往存在如下幾點挑戰：1)在復雜和擁擠的交通場景下，現有的基于計算機視覺跟蹤的方法性能往往較差；2)交通模式與視頻中的底層的特征無關，它反應了視頻中的高層的語義信息，而這些信息涉及到機器視覺中的高層視覺即視覺理解問題。底層視覺特征和高層視覺語意之間往往存在著巨大的語意鴻溝，這使得基于底層視覺特征檢測的方法——目標檢測、目標跟蹤方法無法獲取整個視頻的上層語義信息。具體到交通路口的交通模式檢測和異常交通行為檢測的問題上，由于交叉路口存在密集的人流和車流，場景容易受到噪聲、光照、天氣變化和復雜背景信息等的影響，基于目標檢測和目標運動軌跡聚類的方法性能往往較差。

為了克服上述方法的缺點，另一類直接利用視頻的底層運動信息例如光流信息來獲取視頻場景中的“事件”或“活動”的方法逐漸流行起來。該類方法避免了對單個運動目標的跟蹤，主要利用相鄰的視頻幀之間的豐富的局部運動信息——來自底層特征的位置和運動信息，再利用復雜的降維模型(例如主題模型)從高維的特征信息中提取有效的高層語義信息。常見的主題模型，例如PLSA(Probabilistic Latent Semantic Analysis)、LDA(Latent Dirichlet Allocation)、HDP(Hierarchical Dirichlet Process)等最初用于文本語料庫中的主題發現，后來也逐漸用于圖像和視頻等的分析任務。王曉剛等[1]提出了一種利用層次貝葉斯模型的非監督的學習框架為復雜和擁擠的視頻場景中的“事件”和“行為模式”進行建模的方法。宋等[2]提出了一種兩層LDA結構的交通模式挖掘方法，該方法可以發現交通路口視頻場景中的簡單交通模式和復雜交通模式以及檢測異常交通行為。文獻[3]利用FSTM(Fully Sparse Topic Model)來進行交通視頻的異常檢測。文獻[4]提出了一種利用HDP和HDP-HMM分別來學習交通視頻中的典型活動和交通狀態信息，并利用高斯過程來對交通狀態信息進行分類。MCTM(Markov Clustering Topic Model)利用LDA模型對交通視頻幀的底層特征——視覺詞進行建模和馬爾可夫鏈來對相鄰視頻幀間的時間關系進行建模。該方法可以實現將交通視覺特征層次的聚類為局部的交通模式和全局的交通模式。WS-JTM(Weakly Supervised Joint Topic Model)是一種弱監督的聯合主題模型。該模型在LDA模型的基礎上，充分利用了不同視頻文檔的類別特征對典型的交通模式和異常的交通模式進行挖掘。另一類方法主要是基于非主題模型的方法。該類方法主要利用矩陣分解、稀疏字典學習等建模方法，對底層的視覺特征進行主題建模以獲取典型和異常的交通模式。