[发明专利]基于视频分析的异常行为检测方法及系统

说明书

技术领域

本发明涉及行为识别领域，特别是涉及一种基于视频分析的异常行为检测方法及系统。

背景技术

目前大多数视频监控系统还处于传统模式，即“只记录不判断”，因此只能通过事后的视频回放来调查异常情况及取证，存在无法实时判断异常行为及报警的缺点，且需要工作人员不间断地监视场景内的活动，日夜值守，工作量繁重，易受人体感官疲劳影响从而出现漏检和误检的情况，失去了监控系统进行现场实时监控的意义。另一方面，随着监控系统规模的扩大，视频数量海量增大，从中获取有用的信息或者情报越来越难，查找效率低，难以满足监控系统的需求。

发明内容

针对传统视频监控系统无法实时判断异常行为及报警的问题，本发明提供了一种可以实时检测出异常行为发生的基于视频分析的异常行为检测方法及系统。

为达到发明目的，本发明提供一种基于视频分析的异常行为检测方法，包括以下步骤：

从视频帧中提取行人前景图像；

对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

计算已标记的所述运动区域内的光流特征；

根据所述光流特征得到加权方向直方图；

计算所述加权方向直方图的熵；

采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

作为一种可实施例，所述从视频帧中提取行人前景图像，包括如下步骤：

从视频帧中提取运动前景图像；

根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

作为一种可实施例，所述采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联，包括如下步骤：

计算所述运动区域的零阶矩和一阶矩；

根据所述零阶矩和所述一阶矩计算得到所述运动区域的区域中心；

根据所述区域中心计算马氏距离；

将相邻的所述视频帧的所述马氏距离最短的所述运动区域进行关联。

作为一种可实施例，所述采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值，包括以下步骤：

判断所述加权方向直方图的熵是否大于所述检测阈值；

若是，则判断有异常行为发生；

若否，则判断无异常行为发生；

将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布；

将所述新的高斯分布替换所述混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据所述新的混合高斯模型得到新的所述检测阈值。

作为一种可实施例，采用L-K光流算法计算所述运动区域内的光流特征。

本发明还提供一种基于视频分析的异常行为检测系统，包括前景提取模块，区域划分模块，区域标记模块，光流特征计算模块，加权方向直方图模块，熵计算模块和阈值选取更新模块，其中：

所述前景提取模块，用于从视频帧中提取行人前景图像；

所述区域划分模块，用于对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

所述区域标记模块，用于采用最近邻法对运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

所述光流特征计算模块，用于计算已标记的所述运动区域内的光流特征；

所述加权方向直方图模块，用于根据所述光流特征得到加权方向直方图；

所述熵计算模块，用于计算所述加权方向直方图的熵；

所述阈值选取更新模块，用于采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

作为一种可实施例，所述前景提取模块包括提取单元和过滤单元，其中：

所述提取单元，用于从视频帧中提取运动前景图像；

所述过滤单元，用于根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

作为一种可实施例，所述区域标记模块包括第一计算单元，第二计算单元，第三计算单元和关联单元，其中：

所述第一计算单元，用于计算所述运动区域的零阶矩和一阶矩；