一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，首先從視頻中提取原圖像序列，對(duì)原圖像序列中的每張圖像執(zhí)行步驟一至步驟四：步驟一，合成原圖像的低分辨率圖像；步驟二，分別計(jì)算原圖像和低分辨率圖像中的光流；步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成圖像塊；步驟四，為原圖像和低分辨率圖像中每個(gè)圖像塊計(jì)算對(duì)應(yīng)的高斯混合模型；步驟五，計(jì)算圖像塊序列的標(biāo)準(zhǔn)高斯混合模型；步驟六，將原圖像序列的下一張圖像作為待檢測(cè)圖像，按照步驟1至步驟4計(jì)算待檢測(cè)圖像中每個(gè)圖像塊的高斯混合模型；步驟七，判斷待檢測(cè)圖像中每個(gè)圖像塊是否存在異常行為；步驟八，標(biāo)記異常圖像塊并輸出。
【專利說明】
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種視頻流中異常行為在線檢測(cè)方法，特別是將高斯混合模型應(yīng)用到 對(duì)光流分布的建模中。 一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法

【背景技術(shù)】
[0002] 近年來，大量的研究人員對(duì)場景中異常行為檢測(cè)問題進(jìn)行了研究，并提出了一些 異常行為檢測(cè)方法。這些方法大致可以分為兩類：基于事件檢測(cè)的方法和基于統(tǒng)計(jì)偏離的 方法?；谑录z測(cè)的方法對(duì)場景中每一個(gè)具體的異常行為進(jìn)行建模，與某個(gè)異常行為相 匹配運(yùn)動(dòng)被檢測(cè)為異常行為；而基于統(tǒng)計(jì)偏離的方法則對(duì)場景中正常的運(yùn)動(dòng)進(jìn)行了建模， 與所有正常運(yùn)動(dòng)都不一致的運(yùn)動(dòng)被定義為異常行為。
[0003] 在基于事件檢測(cè)的方法中，通常假設(shè)所有的異常事件或異常行為是已知的?；?上述假設(shè)，該類方法的主要思路如下：首先，從場景數(shù)據(jù)中選取包含場景中典型異常事件的 訓(xùn)練數(shù)據(jù)。然后，根據(jù)相應(yīng)的訓(xùn)練數(shù)據(jù)對(duì)每一中異常事件進(jìn)行建模，創(chuàng)建一個(gè)由異常事件構(gòu) 成的字典。該字典被認(rèn)為包含了場景中所有可能的異常事件。接著，在字典中查找是否存 在與測(cè)試視頻所包含的事件相匹配的異常事件。如果匹配成功，則該測(cè)試視頻中包含匹配 項(xiàng)對(duì)應(yīng)的異常事件；否則，該測(cè)試視頻不包含異常行為。然而，基于事件檢測(cè)的方法存在兩 個(gè)重要的問題：
[0004] 1.需要對(duì)每一個(gè)異常事件建模，創(chuàng)建異常字典，這往往需要消耗大量時(shí)間用來建 立字典且準(zhǔn)確度不高。
[0005] 2.這種方法的移植性差，對(duì)場景的依賴性強(qiáng)。
[0006] 針對(duì)這些問題，我們采用基于統(tǒng)計(jì)偏離的方法，該方法可以進(jìn)一步分為兩類，一類 是基于跟蹤的方法，另一類是避免跟蹤的方法。本專利中，采用避免跟蹤的方法，與基于跟 蹤的方法不同，本方法不用提前識(shí)別每個(gè)對(duì)象，檢測(cè)的目標(biāo)為圖像塊，這樣可以避免對(duì)象識(shí) 別與跟蹤錯(cuò)誤導(dǎo)致的檢測(cè)失敗，在可以提高檢測(cè)速度的同時(shí)保證了準(zhǔn)確度。


【發(fā)明內(nèi)容】

[0007] 發(fā)明目的：本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有的視頻中異常檢測(cè)技術(shù)的不 足，提供一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，可以從視頻中快速準(zhǔn)確 的檢測(cè)出異常。
[0008] 為了解決上述技術(shù)問題，本發(fā)明公開了一種基于高斯混合模型的視頻中異常行為 在線檢測(cè)方法，首先從視頻中提取原圖像序列，對(duì)原圖像序列中的每張圖像執(zhí)行步驟一至 步驟四：
[0009] 步驟一，合成原圖像的低分辨率圖像，得到原圖像和低分辨率圖像兩種不同分辨 率下的圖像；
[0010] 步驟二，利用Lucas-Kanade算法分別計(jì)算原圖像和低分辨率圖像中的光流并對(duì) 得到的光流進(jìn)行噪聲處理； toon] 步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成 MXN個(gè)圖像塊，M，N取值范圍自然數(shù)；
[0012] 步驟四，為原圖像和低分辨率圖像中每個(gè)圖像塊計(jì)算對(duì)應(yīng)的高斯混合模型：首先 對(duì)圖像塊中的光流聚類，得到K個(gè)聚類中心，然后設(shè)置該圖像塊對(duì)應(yīng)的高斯混合模型所包 含的高斯分量數(shù)目為K，利用最大似然估計(jì)算法計(jì)算高斯混合模型中的最大似然估計(jì)值； 最后得到該圖像塊對(duì)應(yīng)的高斯混合模型；
[0013] 步驟五，分別對(duì)原圖像序列和低分辨率圖像序列中相同位置處的圖像塊合成標(biāo)準(zhǔn) 高斯混合模型：首先聚類圖像塊序列對(duì)應(yīng)的高斯混合模型序列，然后選擇聚類結(jié)果中包含 高斯混合模型最多的聚類中心作為該圖像塊序列的標(biāo)準(zhǔn)高斯混合模型；
[0014] 步驟六，將原圖像序列的下一張圖像作為待檢測(cè)圖像，按照步驟一至步驟四計(jì)算 待檢測(cè)圖像中每個(gè)圖像塊的高斯混合模型；
[0015] 步驟七，判斷待檢測(cè)圖像中每個(gè)圖像塊是否存在異常行為；
[0016] 步驟八，標(biāo)記異常圖像塊并輸出。
[0017] 本發(fā)明步驟一中，低分辨率圖像Γ中像素點(diǎn)（X，y)的灰度值由原圖像I中以像素 點(diǎn)（2x，2y)為中心的5X5鄰域內(nèi)的灰度值合成，首先將5X5鄰域內(nèi)每一行5個(gè)像素按照 1:4:6:4:1的比例合成出該行中間像素的灰度值：
[0018]

【權(quán)利要求】
1. 一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，其特征在于，包括以下步 驟： 從視頻中提取原圖像序列，對(duì)原圖像序列中的每張圖像執(zhí)行步驟一至步驟四： 步驟一，合成原圖像的低分辨率圖像，得到原圖像和低分辨率圖像兩種不同分辨率下 的圖像； 步驟二，利用Lucas-Kanade算法分別計(jì)算原圖像和低分辨率圖像中的光流并對(duì)得到 的光流進(jìn)行噪聲處理； 步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成MXN 個(gè)圖像塊，M，N取值范圍自然數(shù)； 步驟四，為原圖像和低分辨率圖像中每個(gè)圖像塊計(jì)算對(duì)應(yīng)的高斯混合模型：首先對(duì)圖 像塊中的光流聚類，得到K個(gè)聚類中心，然后設(shè)置該圖像塊對(duì)應(yīng)的高斯混合模型所包含的 高斯分量數(shù)目為K，利用最大似然估計(jì)算法計(jì)算高斯混合模型中的最大似然估計(jì)值，得到該 圖像塊對(duì)應(yīng)的高斯混合模型； 步驟五，分別對(duì)原圖像序列和低分辨率圖像序列中相同位置處的圖像塊合成標(biāo)準(zhǔn)高斯 混合模型：首先聚類圖像塊序列對(duì)應(yīng)的高斯混合模型序列，然后選擇聚類結(jié)果中包含高斯 混合模型最多的聚類中心作為該圖像塊序列的標(biāo)準(zhǔn)高斯混合模型； 步驟六，將原圖像序列的下一張圖像作為待檢測(cè)圖像，按照步驟一至步驟四計(jì)算待檢 測(cè)圖像中每個(gè)圖像塊的高斯混合模型； 步驟七，判斷待檢測(cè)圖像中每個(gè)圖像塊是否存在異常行為； 步驟八，標(biāo)記異常圖像塊并輸出。
2. 根據(jù)權(quán)利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，其 特征在于，步驟四包括以下步驟： 利用Mean Shift聚類算法對(duì)圖像塊中的光流聚類，得到K個(gè)聚類中心以及每個(gè)類別中 包含的光流數(shù)目； 使用高斯混合模型描述圖像塊中光流的分布，其中高斯混合模型表示為：
其中，K表示高斯混合模型中高斯分量的數(shù)目，值等于光流聚類中心的數(shù)量，參數(shù)k取 值1?K，c〇k表示高斯混合模型中第k個(gè)高斯分量的權(quán)重，初始化為第k個(gè)類別中包含光 流數(shù)目的比例，v表示光流，N k(v|uk，Σ,)表示第k個(gè)高斯分量，％和Σ,表示第k個(gè)高斯 分量的均值和協(xié)方差矩陣； 利用最大似然估計(jì)算法，學(xué)習(xí)得到K個(gè)高斯混合模型的參數(shù)c〇k，Uk，Σ,，最終得到。
3. 根據(jù)權(quán)利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，其 特征在于，步驟五包括以下步驟： 利用改進(jìn)的Mean Shift聚類算法對(duì)步驟四得到的高斯混合模型聚類，聚類算法包括以 下步驟： 步驟51 :隨機(jī)選取一個(gè)高斯混合模型為起點(diǎn)，計(jì)算以起點(diǎn)為中心的鄰域內(nèi)高斯混合模 型的中心，高斯混合模型鄰域內(nèi)的中心表示為在該高斯混合模型和其鄰域內(nèi)的高斯混合模 型構(gòu)成的集合中，到其他高斯混合模型的距離之和最小的高斯混合模型； 步驟52 :以中心對(duì)應(yīng)的高斯混合模型為起點(diǎn)，繼續(xù)計(jì)算以起點(diǎn)為中心的鄰域內(nèi)高斯混 合模型的中心； 步驟53 :重復(fù)步驟51和步驟52,直至連續(xù)兩個(gè)中心的距離小于設(shè)定閾值，停止迭代； 步驟54 :對(duì)每個(gè)未選取過的高斯混合模型，重復(fù)步驟51?步驟53,直至所有的高斯混 合模型都被選取過； 該聚類算法中，兩個(gè)高斯混合模型的距離使用KL散度計(jì)算，KL散度計(jì)算公式為：
gl和g2為需要計(jì)算KL散度的兩個(gè)高斯混合模型，Vi表示第i個(gè)光流，D a(gl，g2)為gl 和g2之間的KL散度，η表示在高斯混合模型中抽取的樣本點(diǎn)個(gè)數(shù)； 高斯混合模型gl和g2的抽樣過程分為兩步：首先按照各自高斯混合模型中高斯分量的 權(quán)重為每個(gè)高斯分量分配樣本點(diǎn)數(shù)目，然后再根據(jù)該高斯分量的高斯概率密度函數(shù)抽樣樣 本點(diǎn)； 通過高斯混合模型的聚類，得到若干個(gè)聚類中心，每個(gè)聚類包含若干個(gè)高斯混合模型， 將聚類結(jié)果中包含高斯混合模型最多的聚類中心作為圖像塊序列的標(biāo)準(zhǔn)高斯混合模型。
4.根據(jù)權(quán)利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測(cè)方法，其 特征在于，步驟七包括以下步驟： 計(jì)算待檢測(cè)圖像中該圖像塊對(duì)應(yīng)的高斯混合模型與標(biāo)準(zhǔn)高斯混合模型之間的差異得 分 Scorei :
F和:F分別表示兩種分辨率下圖像塊的高斯混合模型，G與G分別表示兩種分辨率下相 同位置處圖像塊序列的標(biāo)準(zhǔn)高斯混合模型，表示KL散度，其中，α =0.8; 計(jì)算圖像塊與鄰接圖像塊之間的差異得分Sc〇re2 :
其中，^和;f分別表示兩種分辨率下與圖像塊相鄰的高斯混合模型集合，^_和$表示 對(duì)應(yīng)集合中第j個(gè)高斯混合模型，Z表示與該圖像塊相鄰的高斯混合模型個(gè)數(shù)，j取值1? Z ； 該圖像塊中存在異常行為的得分Score為： Score = β Scored (1- β ) Score2, 其中，β =0.5,當(dāng)Score彡η,將該圖像塊標(biāo)記為異常塊，否則標(biāo)記為正常，η為閾 值。
【文檔編號(hào)】G06T7/20GK104156979SQ201410361276
【公開日】2014年11月19日 申請(qǐng)日期:2014年7月25日 優(yōu)先權(quán)日:2014年7月25日
【發(fā)明者】路通, 秦龍飛, 馬小林 申請(qǐng)人:南京大學(xué)