[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

说明书

本发明公开了一种基于关键区域特征学习的视频中异常行为检测方法，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。该方法可以自动检测视频中异常行为的场景，具有检测速度快，稳定性高的优点。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于关键区域特征学习的视频中异常行为检测方法。

背景技术

视频中异常行为检测是计算机视觉领域中的一个重要问题，用摄像头捕获到目标区域视频信息，算法需要自动检测出视频中不符合常规模式的行为(违反交通规则，打架斗殴，违法偷窃等)。

现有方法主要分为三种类型：

(1)基于轨迹分析的方法。使用目标跟踪的算法得到视频中运动目标的轨迹图，之后运用特定的轨迹分析方法来分析某个轨迹是否属于异常轨迹，这类方法只能在轨迹层分析速度、方向等异常，忽略了场景信息。

(2)基于特征提取的方法。这类算法核心思想是提取到能表征视频内容的核心特征，之后在提取到的特征的基础上分析是否属于异常行为。这类方法可以分为区域特征学习和全局特征学习的方法，现有的方法中，前者大多在所有视频块上建模，采用的一般为人为设计特征，不具有针对性。后者需要处理复杂的视频动态，对模型复杂度要求很高。

(3)基于行为建模的方法。在小的视频块上建立运动模型，在该模型下出现概率低的行为被归类为异常。这类方法主要缺陷是行为模式复杂多样，难以建立有效模型。

发明内容

本发明的目的是提供一种基于关键区域特征学习的视频中异常行为检测方法，可以自动检测视频中异常行为的场景，具有检测速度快，稳定性高的优点。

本发明的目的是通过以下技术方案实现的：

一种基于关键区域特征学习的视频中异常行为检测方法，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。

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。

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：