[發明專利]一種異常事件檢測方法及系統

在審

• 申請號: 202011214351.4
• 申請日: 2020-11-04
• 公開（公告）號: CN112329614A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 宗欣露;張璐;王春枝;葉志偉;劉偉;陳宏偉;徐慧
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王立普

本發明涉及一種異常事件檢測方法及系統，涉及計算機視覺技術領域。該方法包括：分別提取正常訓練集和異常訓練集的特征數據；利用特征數據分別對基于SVDD的分類器進行訓練和測試，得到正常分類器和異常分類器，并通過一定的分類決策規則將兩個分類器相結合，構成聯合分類器；根據提取的測試集的特征數據，通過聯合分類器判斷是否存在異常事件。本發明采用基于運動能量熵和支持向量數據描述的方法構建異常事件檢測模型，通過引入一種新的特征來提高異常事件的表征能力，通過使用兩個半監督模型的聯合模型克服單一半監督模型的固有缺陷，提高了異常事件檢測模型的檢測性能。

技術領域

本發明涉及計算機視覺技術領域，特別是涉及一種異常事件檢測方法及系統。

背景技術

異常事件檢測就是檢測視頻中的異常事件。在現實世界中有許多不同模式的異常事件，如人群四散奔逃、人群擁塞和人行道上出現機動車等。異常事件檢測是智能視頻監控系統中的一個研究熱點，它可以用于檢測廣場、火車站、地鐵站和學校等群體密度較大的公共場合中是否發生異常事件，并根據檢測結果選擇是否向管理員發送警報。異常事件檢測有利于相關人員及時發現險情，為發現和控制險情爭取寶貴的時間，減小險情擴散范圍，控制后果的嚴重性進一步擴大，保障廣大人民的生命財產安全。

異常事件檢測的原理是利用計算機視覺技術從視頻序列中提取出能夠表征異常事件的特征，然后利用提取到的特征訓練出一個能夠區分正常事件和異常事件的分類器。由于異常事件檢測模型的檢測結果只有正常和異常兩種情況，所以檢測給定事件是否為異常事件的過程可看成是對給定事件進行分類的過程。異常事件檢測可以看作是異常檢測的一個子集，它的關注范圍不像異常檢測那樣廣泛。異常事件檢測主要是檢測視頻中是否存在由某個群體或個人的異常行為所引起的異常事件。

目前，異常事件檢測模型的構建主要包括兩個階段：一，特征提取；二，分類器構建。特征提取是指從給定的視頻序列中提取能夠表征異常事件的特征，它是整個檢測算法的基石，對分類器的檢測效果有顯著影響；分類器構建是指根據提取到的特征構建能夠檢測異常事件的分類器，是整個檢測方法的核心部分，分類器構建以前面提取到的特征作為輸入，通過機器學習的方法訓練模型，使分類器具有良好的分辨正常事件與異常事件的能力。根據對訓練集的要求不同，檢測模型可以分為三類：監督模型、半監督模型和無監督模型。其中，半監督模型是最為常見的模型。

最常用的特征有光流、外形和軌跡，這些特征能夠很好地表征大部分的異常事件，但考慮到選取的特征直接影響檢測模型的效果，所以選擇提取特征時應該要考慮更加全面。半監督模型一直深受研究人員的青睞，它只需要一種類型的數據作為訓練集，通常選擇正常類型的數據作為訓練集，因為在很多情況下異常類型數據非常稀缺。雖然半監督模型在異常事件檢測領域的表現一直不錯，但其固有的缺陷仍然對檢測精度有著很大的影響，因為現實生活中的正常事件模式是無法量化的，一個有限的訓練集無法包含所有可能的正常事件，這就會導致半監督模型出現誤檢。

發明內容

本發明的目的是提供一種異常事件檢測方法，以提高異常事件檢測模型的檢測精度。

為實現上述目的，本發明提供了如下方案：

一種異常事件檢測方法，包括：

對樣本視頻進行分幀處理，得到正常訓練集、異常訓練集；所述正常訓練集包括包含正常事件的樣本視頻幀；所述異常訓練集包括包含異常事件的樣本視頻幀；

分別提取所述正常訓練集和所述異常訓練集的特征數據；

利用所述正常訓練集的特征數據和所述異常訓練集的特征數據分別對基于支持向量數據描述方法的分類器進行訓練，得到兩個具有分類能力的子分類器，其中一個子分類器是通過正常訓練集訓練得到，記為正常分類器，另一個子分類器是通過異常訓練集訓練得到，記為異常分類器；