[发明专利]一种视频监控场景中的行为分析方法

摘要

本发明公开了一种视频监控场景中的行为分析方法，尤其适合于复杂视频监控中的行为分析。包括步骤为：第一检测出视频的底层运动特征，并进行去噪；第二对去噪后的运动特征进行量化，将视频序列表示成词袋模式；第三利用动态因果主题模型对视频序列进行建模，检测出场景中包含的行为；第四最后通过计算行为的因果影响力，对行为进行排序。本发明不仅可以检测出场景中包含的行为，而且能够识别出高影响力行为。

主权项

1.一种视频监控场景中的行为分析方法，其特征在于，包括以下步骤：第一步、利用TV‑L1光流算法计算视频序列中相邻帧之间的光流特征，并对光流特征进行幅度去噪；第二步、对去噪后的光流特征进行位置和方向的量化，每个光流特征根据其所在的位置和方向映射成一个视觉单词，将视频序列分割成不重叠的若干个视频片段,累积每个视频片段内包含的视觉单词，从而构建成每个视频片段所对应的视频文档；第三步、利用动态因果主题模型对视频文档建模；第三步中所述动态因果主题模型，具体包括：步骤1.定义主题数K；步骤2.初始化模型参数α₀、β、θ_t、φ_k和W；其中，α₀＝[α_0,k]∈R^K表示初始先验参数，其中α_0,k表示第k个主题对应的参数；θ_t～Dir(α_t)表示狄利克雷文档‑主题分布，其中，Dir(α_t)表示超参数为α_t的狄利克雷分布，α_t表示当前时刻文档‑主题分布的超参数，θ_t＝[θ_t,k]∈R^K，θ_t,k表示t时刻第k个主题的混合概率，R^K表示维数为K的实向量；φ_k～Dir(β)表示狄利克雷主题‑单词分布，其中，Dir(β)表示超参数为β的狄利克雷分布，β表示主题‑单词分布的超参数，φ_k＝[φ_k,v]∈R^V，φ_k,v表示对于第k个主题第v个单词的混合概率，R^V表示维数为V的实向量；初始化θ_t和φ_k，使得W＝[w_m,k]∈R^K×K表示因果矩阵，其中w_m,k表示第m个主题对第k个主题的因果影响，R^K×K表示维度为K×K的实数矩阵，初始化W＝0；步骤3.对于时刻t的视频文档d_t，估计当前时刻的先验参数α_t＝[α_t,k]∈R^Kα_t＝p_t+α₀其中，α_t,k表示第k主题对应的超参数，p_t＝[p_t,k]∈R^K表示t时刻的先验主题分布，其中p_t,k表示t时刻的第k个主题的先验概率，θ_t‑1,m表示t‑1时刻第m个主题的混合概率；步骤4.采用吉布斯采样算法进行主题的后验概率估计，在条件概率中，将参数θ_t和φ_k积分掉，具体如下：其中，z_t,i表示单词x_t,i对应的主题，表示z_t,i是第k个主题的概率，D表示训练数据集；表示除过z_t,i的所有的主题，表示与主题z_t,i相关的单词x_t,i的数目，表示训练数据集中与第k个主题相关的第v个单词的数目；表示文档d_t中主题z_t,i的数目，表示文档d_t中第m主题的数目，α_t,m第m主题对应的超参数；步骤5.更新狄利克雷文档‑主题分布θ_t：其中：n_t,k表示文档d_t中第k个主题的数目；步骤6.重复步骤3‑5，直到遍历完所有的视频文档；更新狄利克雷主题‑单词分布φ_k：其中，n_k,v表示整个视频序列中与第k个主题相关的第v个单词的数目；步骤7.更新因果矩阵W：并对W进行归一化使得其值位于0和1之间；其中，S_kk(f)表示第k个主题对应的自谱矩阵，T_km(f)表示第k个和第m个主题对应的傅里叶反变换；∑_mm表示第m个主题对应的噪声协方差，∑_kk表示第k个主题对应的噪声协方差，Σ_km表示第k个和第m个主题对应的噪声互协方差；步骤8.重复步骤3‑7直到采样结束；第四步、根据动态因果主题模型的模型参数，计算行为的因果影响力；第五步、根据行为的因果影响力，对行为进行排序。