[发明专利]一种视频异常行为检测系统

说明书

技术领域

本发明涉及视频轨迹异常分析检测领域，具体而言，本发明涉及一种视频轨迹异常检测系统。

背景技术

人的行为分析在安全监控高级人机交互视频会议基于行为的视频检索以及医疗诊断等方面有着广泛的应用前景和潜在的经济价值是当前计算机视觉领域的一个研究热点，视频智能监控系统（Intelligent Video Surveillance System,IVSS）是其最重要的应用之一。

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。传统的被动监控系统通过人工观测和分析海量的监控数据，导致了高昂的人工成本，较低的识别率和较高的漏检率，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，一种是基于异常与正常行为之间相异度的方法。这一方法又根据是否构建行为模型进一步细分为两种不同的子方法：

（1）不需要构建行为模型的方法。首先聚类观察到的行为模式,然后将其中小的聚类标注为异常，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。

（2）或者首先构建正常行为集的数据库，将不能通过数据库中数据表达的行为标注为异常行为。

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。

另外一种方法是基于异常行为建模的方法。

首先，从视频序列中提取图像特征，特征通常通过侦测和跟踪运动对象，并计算其轨迹，速度以及形状描述符得到。然后，基于特征的特征通过人工或监督学习技术构建“正常”行为模型。行为建模通常选择隐马尔科夫（HMM）模型或最大熵隐马尔科夫模型（MEMM)等其他图模型。

这些模型将图像特征量化为一系列离散的状态并建模状态随时间的变化方式。为了检测异常行为，将视频与一系列正常模型相匹配，其中不适合模型的段落认为是异常。基于模型的方法在“正常行为”可以明确定义和约束的场景中相当有效。然而在典型的现实生活中，界定和建模“正常”行为比确定“异常”行为更加困难。

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。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种视频异常行为检测系统，实现有效的对全局，长时间行为的检测，具有很好的适用性，并且具有较高的分类正确率。

本发明技术解决方案：一种视频异常行为检测系统，其特点在于包括：

轨迹提取模块，用于构建训练视频和测试视频中目标的轨迹序列。对视频提取前景和背景，得到前景之后去噪，去除阴影，构造包围盒，将包围盒质心作为轨迹。

区域划分模块：将背景进行区域划分，根据不同的要求可以通过人工划分或者通过算法自动划分。通过区域划分和轨迹坐标相结合得到这些异常行为的特征序列。

条件随机场建模模块：采用条件随机场（CRF）检测视频中的异常：轨迹异常在特定背景特定空间上主要表现为在某些位置徘徊，逗留，逆行，越过边界等。利用之前构造的异常行为特征序列进行条件随机场模型训练和参数估计。条件随机场参数估计可以采用迭代缩放法计算。

待测视频检测模块：完成建模后，将测试序列做同样的处理，得到特征序列，利用之前建立的模型，计算属于不同异常行为的条件概率，取最大概率作为其标注，判断是否为异常行为。

所述轨迹提取模块实现过程如下：

GMM（混合高斯模型）的思想是一副图像的每个像素都可以用M个高斯分布的加权和表示，像素的分布为：