[發(fā)明專利]基于多元對數(shù)高斯分布下視頻特征的圖結(jié)構(gòu)規(guī)約方法

有效

• 申請?zhí)枺?/td>: 201810048588.6
• 申請日: 2018-01-18
• 公開（公告）號: CN108509834B
• 公開（公告）日: 2022-05-31
• 發(fā)明（設(shè)計）人: 郭春生;汪洪流;陳華華;應(yīng)娜
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/46;G06V10/774;G06K9/62
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.基于多元對數(shù)高斯分布下視頻特征的圖結(jié)構(gòu)規(guī)約方法，其特征在于包括如下步驟：

步驟1：讀入公開視頻數(shù)據(jù)集UMN中的訓(xùn)練集與測試集的視頻，選訓(xùn)練的正常視頻幀，設(shè)置網(wǎng)格大小，利用金字塔LK光流算法求出視頻集中運動光流特征(u,v)；其中，u為相鄰兩視頻幀網(wǎng)格上目標(biāo)運動的水平速度場大小，v為相鄰兩視頻幀網(wǎng)格上目標(biāo)運動的垂直速度場大小；

步驟2：選取光流特征(u,v)高于劃分運動閾值T的光流分量進(jìn)行顏色編碼，并不斷累積記錄顏色塊的區(qū)域并得運動區(qū)域的邊緣輪廓；

步驟3：利用運動區(qū)域的邊緣輪廓、網(wǎng)格位置與光流特征來構(gòu)建光流特征圖結(jié)構(gòu)G；

步驟4：對構(gòu)建的光流特征圖結(jié)構(gòu)進(jìn)行多次規(guī)約操作，通過光流特征圖結(jié)構(gòu)上頂點的減少，進(jìn)一步減少相對應(yīng)的光流特征數(shù)量，從而實現(xiàn)特征信息的優(yōu)化；步驟4具體實現(xiàn)過程如下：

特征圖結(jié)構(gòu)的頂點的篩選先是由光流特征圖結(jié)構(gòu)的圖拉普拉斯矩陣L最大特征向量值λ_max對應(yīng)最大特征向量u_max與設(shè)定閾值T₁相比較來選擇頂點集V，即是：

V₁:＝{i∈V:u_max(i)≥T₁}

V₂:＝{i∈V:u_max(i)T₁}

閾值T₁為最大特征向量對應(yīng)值排序后所對應(yīng)的值，將光流特征圖結(jié)構(gòu)的頂點集V分成V₁和V₂兩個部分，且對有高權(quán)重邊所連接的頂點予以保留，保留頂點集V₁并且對頂點集V₂進(jìn)行剔除，以此來完成光流特征圖結(jié)構(gòu)的頂點的初次篩選；

利用光流特征圖結(jié)構(gòu)頂點上的光流特征向量的幅度均值的大小再次篩選圖結(jié)構(gòu)頂點，光流特征圖結(jié)構(gòu)頂點上的光流特征向量(u,v)，將其轉(zhuǎn)化成極坐標(biāo)下的光流特征向量(A,θ)，其中A為極坐標(biāo)下的幅度值，θ為極坐標(biāo)下的相角；

對于有n個頂點的特征圖結(jié)構(gòu)，每個頂點上的特征向量幅度A即為一個維度上的隨機變量，將n維圖結(jié)構(gòu)信號x＝(x₁,...,x_N)^T規(guī)約為n-k維圖結(jié)構(gòu)信號x₁＝(x₁,...,x_N-K)^T；規(guī)約后的差分熵達(dá)到最大值，如下式所示：

上式目標(biāo)函數(shù)中，e為自然底數(shù)，Σ為x₁的協(xié)方差矩陣，μ_i為各個頂點的光流特征向量的幅度均值；圖結(jié)構(gòu)頂點的再次篩選過程是在初次篩選頂點集V1的基礎(chǔ)上，利用頂點上光流特征向量的幅度均值與設(shè)定閾值T₂比較后進(jìn)行再次篩選光流特征圖結(jié)構(gòu)的頂點，得到V₁₁：

V₁₁:＝{i∈V₁:μ_i≥T₂}

V₁₂:＝{i∈V₁:μ_iT₂}

上兩式中，閾值大小T₂為各個頂點的光流特征向量的幅度均值μ_i按從大到小排列所對應(yīng)的均值大小，將圖結(jié)構(gòu)頂點集V₁分成V₁₁和V₁₂兩個部分，并保留頂點集V₁₁并剔除頂點集V₁₂；

將篩選出的頂點集V₁₁利用一個閾值化的高斯核函數(shù)來構(gòu)建出頂點間的內(nèi)在連接，定義一條無向邊e＝(i,j)連接頂點i和j的邊權(quán)重W_i,j，構(gòu)成尺度化子圖結(jié)構(gòu)G＝{V₁₁,ε,W}，其中V₁₁是篩選后頂點的集合，ε是無向邊集合，W為含權(quán)重的鄰接矩陣；

其中κ為閾值，參數(shù)N是圖結(jié)構(gòu)頂點總數(shù)，dist(i,j)為頂點i和j之間的歐式距離，閾值κ＝0.6；

步驟5：在依次規(guī)約的圖結(jié)構(gòu)上，對送入的訓(xùn)練集與測試集的光流特征分別進(jìn)行濾波并構(gòu)建對應(yīng)的特征詞袋形式；

步驟6：將訓(xùn)練集特征的詞袋送入LDA-iHMM聯(lián)合空時模型中學(xué)習(xí)得到模型的參數(shù)及訓(xùn)練集每幀的對數(shù)似然函數(shù)，最后再將測試集的詞袋中的光流特征向量作為已訓(xùn)練“正常”模型的輸入進(jìn)行視頻的異常檢測，得到測試集每一幀的對數(shù)似然函數(shù)；

步驟7：測試集的對數(shù)似然函數(shù)與設(shè)定閾值進(jìn)行相對比，若連續(xù)三幀測試集的對數(shù)似然函數(shù)均大于閾值Th時，該視頻幀判定為異常，反之則判定為正常；直到整個測試視頻集全部檢測完成。