[发明专利]一种基于高斯混合模型的视频中异常行为在线检测方法

说明书

技术领域

本发明涉及一种视频流中异常行为在线检测方法，特别是将高斯混合模型应用到对光流分布的建模中。

背景技术

近年来，大量的研究人员对场景中异常行为检测问题进行了研究，并提出了一些异常行为检测方法。这些方法大致可以分为两类：基于事件检测的方法和基于统计偏离的方法。基于事件检测的方法对场景中每一个具体的异常行为进行建模，与某个异常行为相匹配运动被检测为异常行为；而基于统计偏离的方法则对场景中正常的运动进行了建模，与所有正常运动都不一致的运动被定义为异常行为。

在基于事件检测的方法中，通常假设所有的异常事件或异常行为是已知的。基于上述假设，该类方法的主要思路如下：首先，从场景数据中选取包含场景中典型异常事件的训练数据。然后，根据相应的训练数据对每一中异常事件进行建模，创建一个由异常事件构成的字典。该字典被认为包含了场景中所有可能的异常事件。接着，在字典中查找是否存在与测试视频所包含的事件相匹配的异常事件。如果匹配成功，则该测试视频中包含匹配项对应的异常事件；否则，该测试视频不包含异常行为。然而，基于事件检测的方法存在两个重要的问题：

1.需要对每一个异常事件建模，创建异常字典，这往往需要消耗大量时间用来建立字典且准确度不高。

2.这种方法的移植性差，对场景的依赖性强。

针对这些问题，我们采用基于统计偏离的方法，该方法可以进一步分为两类，一类是基于跟踪的方法，另一类是避免跟踪的方法。本专利中，采用避免跟踪的方法，与基于跟踪的方法不同，本方法不用提前识别每个对象，检测的目标为图像块，这样可以避免对象识别与跟踪错误导致的检测失败，在可以提高检测速度的同时保证了准确度。

发明内容

发明目的：本发明所要解决的技术问题是针对现有的视频中异常检测技术的不足，提供一种基于高斯混合模型的视频中异常行为在线检测方法，可以从视频中快速准确的检测出异常。

为了解决上述技术问题，本发明公开了一种基于高斯混合模型的视频中异常行为在线检测方法，首先从视频中提取原图像序列，对原图像序列中的每张图像执行步骤一至步骤四：

步骤一，合成原图像的低分辨率图像，得到原图像和低分辨率图像两种不同分辨率下的图像；

步骤二，利用Lucas-Kanade算法分别计算原图像和低分辨率图像中的光流并对得到的光流进行噪声处理；

步骤三，分别按照原图像和低分辨率图像各自的划分方法将这两种图像划分成M×N个图像块，M，N取值范围自然数；

步骤四，为原图像和低分辨率图像中每个图像块计算对应的高斯混合模型：首先对图像块中的光流聚类，得到K个聚类中心，然后设置该图像块对应的高斯混合模型所包含的高斯分量数目为K，利用最大似然估计算法计算高斯混合模型中的最大似然估计值；最后得到该图像块对应的高斯混合模型；

步骤五，分别对原图像序列和低分辨率图像序列中相同位置处的图像块合成标准高斯混合模型：首先聚类图像块序列对应的高斯混合模型序列，然后选择聚类结果中包含高斯混合模型最多的聚类中心作为该图像块序列的标准高斯混合模型；

步骤六，将原图像序列的下一张图像作为待检测图像，按照步骤一至步骤四计算待检测图像中每个图像块的高斯混合模型；

步骤七，判断待检测图像中每个图像块是否存在异常行为；

步骤八，标记异常图像块并输出。

本发明步骤一中，低分辨率图像I′中像素点(x,y)的灰度值由原图像I中以像素点(2x,2y)为中心的5×5邻域内的灰度值合成，首先将5×5邻域内每一行5个像素按照1:4:6:4:1的比例合成出该行中间像素的灰度值：