[发明专利]一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置

说明书

技术领域

本发明涉及视频异常分析检测领域，具体而言，本发明涉及一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置。

背景技术

随着信息技术的发展，近几年由于公共安全的需要，智能监控方面的需求迅速增加。现有的监控需依靠专人值守，传统监控系统无法在事发时预警。后期在大量的视频资料中甄选可以用于证据的工作也是极其耗时的。这无法满足公安，银行，交通等安全敏感的部门对视频监控提出的安防要求。

异常行为辨识是智能监控系统的主要任务。智能监控系统的主要要求是实时性和鲁棒性。目前的研究还主要集中在有限类别简单规则的行为识别或者特定场景中的异常行为检测上。

异常行为的检测有两种常用的方法，一种是先给出异常行为的定义，建立异常行为数据库，检测时进行模板匹配，如场景中出现与数据库中匹配的类似行为，则检测出异常，这类方法主要用来分析单人行为，并且需要大量的先验知识来构建模型，而构建出来的模型在场景适应性和实时性上都存在缺陷。另一种方法是先定义正常行为，检测时将场景中的行为与数据库中的正常行为做似然度计算，如似然度偏离超过门限，则判断为异常。这两种方法虽然能够在固定的场景下建立准确的行为模型，但是需要手工标记大量的行为序列以获取足够的训练样本，这会造成大量人力资源的浪费。

基于无（半）监督的建模方法能够自动地（半自动地）建立行为模型，可以减轻人的负担，同时增强算法的实用性。基于低层特征的方法获取特征简单，该类方法不需跟踪目标，比基于目标跟踪的方法更具有鲁棒性，而且全自动操作，计算速度较快，在一般场景中可以保证实时，这种描述行为的算法一直以来都是行为描述的一个重要方向。

视觉注意机制模拟的是人眼的生理视觉感知，在视频监控中可以应用这种类生物学（Biologically-Plausible）的方法估计出视频中的异常区域，视觉注意机制的视觉惊奇(Surprise)计算，与其他机器视觉方法的区别在于在这个工作中完全不需要针对特殊种类的目标和背景调整算法，使用一个简单但相当全面的贝叶斯惊奇的数学定义，我们能在复杂视频中（比如变化较多的户外场景，公园，拥挤的街道，露天的天台酒吧等）可靠的预测出观测者会注意的区域。但处理不同的场景，不必再训练或者做算法上调整。

早期的显著图模型研究侧重考虑空间信息，而忽略时间信息。一般的，将机器学习系统训练时没有学习的未知新数据的识别称为新颖(novel)检测。新颖检测是在训练阶段，机器学习正常数据，然后使用先前未知的知识，分类机把正常模式和新颖模式区别开来。

惊奇(Surprise)，顾名思义就是发生了某种超出人们预料之外的事件。贝叶斯惊奇计算优于直接测量图像的局部熵与基于生物学的启发式“自底向上”的显著图模型。总的来说，先验知识与后验知识的微小差别产生较小的惊奇程度，而两者剧烈的改变导致较大的惊奇程度，从数学上来说，一个事件当先验概率分布与后验概率分布之间的KL距离很大的时候发生惊奇。

本发明将视觉注意模型中的惊奇计算应用到视频监控领域，类生物学惊奇计算的理论框架是已被证明了的视觉注意模型。本发明在贝叶斯惊奇框架的基础上，提出处理视频数据的分析方法，使用时空惊奇计算模型检测场景中检测点特征的异常改变。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别对实现特定几类的突发异常事件，提出一种基于贝叶斯惊奇模型的异常分析方法及装置。

为实现上述目的，本发明一方面提出了一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，包括如下步骤：

采用贝叶斯惊奇理论检测视频中的异常：异常在空间上的显著性邻域特征的先验分布与中心特征的后验分布的较大改变，在时间上的突发性导致历史帧中特征的先验分布与当前帧中特征的后验分布有较大的改变；

在视频中先检测出多个时空兴趣点(STIP)，使用光流估计法提取时空兴趣点的邻域及历史帧中对应位置的运动特征值，该运动特征值包括速度的幅度和方向；

利用参数估计方法计算时间上的先验分布和后验分布，空间上的先验分布和后验分布；已知时间、空间上的先验，后验分布，计算时间维度的KL距离，空间惊奇度，再合成总时空惊奇度；

统计在视频中超过惊奇阈值的兴趣点个数超过一定数量，则当前帧为警告帧，当视频中兴趣点的总时空惊奇度超过预先设定的阈值时，在视频帧中标记出异常区域。

其中，所述惊奇度采用先验分布与后验分布的差别来度量，当它们距离很大时说明导致的惊奇程度大，这里采用一种基于概率的距离度量方法——KL距离；