[发明专利]用于检测异常运动的方法和设备

权利要求书

1.一种用于检测异常运动的设备，所述设备包括：

特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；

主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定包括在分类的文件中的主题的概率分布状态，其中，通过一组矢量差表示轨迹，其中，所述一组矢量差表示当前帧中的实际特征的位置和之前帧中的实际特征的位置之间的一组矢量的差；

运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过使用K均值聚类方法通过推断确定的主题之间的时空相关性来学习运动模式。

2.根据权利要求1所述的设备，还包括：异常检测单元，被配置为通过使用学习到的运动模式的高斯学习结果，响应于包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低，将运动模式分类为异常运动模式。

3.根据权利要求1所述的设备，其中，所述特征跟踪单元被配置为通过使用Kanade-Lucas-Tomasi跟踪技术来提取输入图像中的运动对象的特征。

4.根据权利要求1所述的设备，其中，在所述主题在线学习单元中，文件包括通过多项分布生成的多个主题，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值被推断以对于每个主题来聚类轨迹的位置。

5.根据权利要求1所述的设备，其中，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值包括文件-主题概率分布(θ_d)和主题-单词概率分布

6.根据权利要求1所述的设备，其中，所述轨迹由一组单词w_ji和一组矢量差v_jiτ来表示，所述一组单词由轨迹经过的栅格点位置表示，并且

其中，w_ji指示第j轨迹经过第i栅格，所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差v_jiτ。

7.根据权利要求6所述的设备，其中，单词w_ji基于多项分布，并且包括在单词中的矢量的差v_jiτ具有高斯分布。

8.根据权利要求6所述的设备，其中，通过使用特定栅格的当前帧的位置值和在τ帧之前的特定栅格的实际位置值，对于每个单词位置来确定速度。

9.根据权利要求1所述的设备，其中，所述在线学习方法为在线潜在狄利克雷分配学习方法。

10.根据权利要求9所述的设备，其中，在所述在线潜在狄利克雷分配学习方法中，使用变分贝叶斯来推断潜在狄利克雷分配。

11.一种用于检测异常运动的设备，所述设备包括：

特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；

轨迹分类单元，被配置为以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来推断多项分布参数概率矢量值，以便对于文件中的每个主题来聚类轨迹的位置，其中，所述多项分布参数概率矢量值指示构成每个文件的主题的直方图分布，其中，通过一组矢量差表示轨迹，其中，所述一组矢量差表示当前帧中的实际特征的位置和之前帧中的实际特征的位置之间的一组矢量的差；

时空相关性推断单元，被配置为基于推断的多项分布参数概率矢量值来推断时空相关性；

运动模式在线学习单元，被配置为对于每个聚类的主题来学习速度和方向，并通过使用K均值聚类方法通过推断确定的主题之间的时空相关性来学习运动模式。