[发明专利]基于关键区域特征学习的视频中异常行为检测方法

权利要求书

1.一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，包括：

将视频帧序列划分为若干个的时空视频块，并通过关键区域检测算法检测出可能出现异常的时空视频块；

利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征；

利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常；

其中，所述通过关键区域检测算法检测出可能出现异常的时空视频块包括：

采用灰度统计直方图作为统计特征，利用cosine距离来度量所考察时空视频块和它周围时空视频块之间的相似度，计算公式如下：

其中，p₁表示所考察时空视频块的统计特征，p₂表示所考察时空视频块周围所有时空视频块的统计特征；

在灰度统计直方图的基础上采用熵来度量所考察时空视频块的分布多样性，公式如下：

其中，k为所考察时空视频块的灰度区间像素数目，p(i)表示第i个灰度区间像素点占总像素点的比例；

利用下式计算每一个时空视频块的得分，将得分高于预设值的时空视频块作为可能出现异常的时空视频块：

Score＝E-λ·SIM；

其中，λ为平衡系数。

2.根据权利要求1所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，所述利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征包括：

将每一可能出现异常的时空视频块的特征输入至训练好的基于自编码器的特征提取模块，获得的中间隐层的输出即为提取到的特征。

3.根据权利要求1所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，所述利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常包括：

计算特征与训练样本的马氏距离，进而判断相应时空视频块是否是异常，表示为：

f(x)＝(x-μ)^T∑^-1(x-μ)；

其中，μ为训练样本特征均值，∑为相应的协方差矩阵，x为任一可能出现异常的时空视频块的特征值，threshold为阈值。

4.根据权利要求3所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，该方法还包括：如果检测结果为正常，则将相应的时空视频块作为正常样本，通过如下方式更新分类器：

其中，x_n表示第n次更新时所采用的正常样本对应的特征值，μ_n、μ_n-1分别为第n次、第n-1次更新获得的训练样本特征均值，∑_n、∑_n-1分别为第n次、第n-1次更新获得的协方差矩阵。

5.根据权利要求3所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，该方法还包括：基于自编码器的特征提取模块以及基于马氏距离的分类器的训练过程，训练过程如下：

选定场景后，获取没有异常目标的视频帧序列，并划分为若干时空视频块，再采用关键区域检测算法选出多个时空视频块，通过下述优化公式训练基于自编码器的特征提取模块，使得参与训练的时空视频块的重构误差最小：

其中，α为正则化系数，β为稀疏惩罚系数，W₁，b₁表示编码器的权重和偏置项，W₂，b₂表示解码器权重和偏置项，W_ji表示中间层第j个神经元和输入层第i个神经元之间连接的权重，s为中间层的神经元的数目，w、h、t分别对应输入视频块的宽、高、时间上的帧数，m为训练时每次用到的时空视频块数目，x_i'表示第i个时空视频块，KL表示KL距离，δ为激活函数，ρ为设置的激活率，ρ_j为第j个神经元在参与训练的时空视频块上的平均激活率；

之后，在关键区域检测算法选出的时空视频块的基础上，计算基于马氏距离的分类器的参数。