[发明专利]基于原子特征袋模型的视频异常事件检测方法及系统

说明书

一种基于原子特征袋模型的视频异常事件检测方法及系统，首先对视频进行采样，将视频划分为若干作为视频事件的时空体，再将每个时空体划分为时空块，而后从时空块中提取GCM描述子以及相邻时空块之间的STCV描述子，然后使用BoAF模型得到每个视频事件BoAF表示，最后采用K‐SVD算法，学习正常事件BoAF表示的过完备字典，计算每个事件的BoAF表示在这个字典下的稀疏重建代价，以稀疏重建代价大于经验阀值的视频事件为异常事件，本发明能够检测场景中的异常行为，且能够有效检测由于事件结构上下文引起的异常事件，在复杂拥挤的场景中取得了更高的检测率。

技术领域

本发明涉及的是一种图像处理识别领域的技术，具体是一种基于原子特征袋模型的视频异常事件检测方法及系统。

背景技术

传统的监控方式依靠人力，通常效率低下难以处理摄像头产生的海量数据。智能视屏监控是当前形势下的迫切需要，能够弥补人力的不足。

视频异常事件是指监控目标引起的不符合场景中事件规则且具有潜在危险性的事件。智能视频监控能够及时检测视频场景中发生的异常事件并发出警报，提醒人员应对处理，还能够准确定位引发异常事件的监控目标。

现在通常使用的词袋(BoW)模型是将视频时空体内部包含的局部特征描述子根据最近邻原则赋予码本上视觉词的标记，并将视频时空体建模成BoW表示。BoW模型在异常事件检测中忽略了时空体内部局部特征描述子之间的时空顺序，因此难以检测出结构上下文异常事件。此外，BoW模型还忽略了相同类型特征描述子之间的类内差异，造成较大的近似误差导致漏检或误检。

现有技术中涉及的多视角视频监控中异常事件建模方法，一般包括时空局部特征提取、“词袋”的构建、异常事件建模。但现有技术在存在动态，如树木、波动水面等，以及拥挤的场景中会产生大量无意义的特征点，其使用的时空特征描述子以及词袋模型不能反映出局部特征描述子之间的时空组合关系，难以检测出由于这种时空组合关系异常变化而引起的异常事件，忽略了相同类型特征描述子之间的类内差异，造成较大的近似误差从而导致异常事件的漏检或误检。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于原子特征袋模型的视频异常事件检测方法及系统，能够检测场景中的异常行为，且能够有效检测由于事件结构上下文引起的异常事件，在复杂拥挤的场景中取得了更高的检测率。

本发明是通过以下技术方案实现的：

本发明首先对视频进行采样，将视频划分为若干作为视频事件的时空体，再将每个时空体划分为时空块，而后从时空块中提取梯度-中心矩(GCM)描述子以及相邻时空块之间的时空块上下文变化(STCV)描述子，然后使用原子特征袋(BoAF)模型得到每个视频事件BoAF表示，最后采用字典学习算法(K-SVD算法)，学习正常事件BoAF表示的过完备字典，计算每个事件的BoAF表示在这个字典下的稀疏重建代价(SRC)，以SRC大于经验阀值的视频事件为异常事件。

本发明具体包括以下步骤：

1)将视频图像经过等间隔密集采样划分成大小一致的视频事件的时空体，再将每个时空体划分为大小一致的时空块；

2)从每个时空块中提取GCM描述子；

3)计算相邻时空块之间的STCV描述子；

4)使用字典学习算法，得到每个STCV描述子的稀疏重建系数s；

5)将稀疏重建系数s扩展成非负稀疏重建系数w；

6)将当前的视频事件中所有的非负稀疏重建系数w累积获得当前视频事件的BoAF表示f；

7)使用字典学习算法并获得过完备字典用于计算事件的BoAF表示在这个字典下的稀疏重建代价，若稀疏重建代价大于经验阀值则为异常事件。

所述的步骤2)具体包括以下步骤：