[发明专利]基于改进单元分析的监控视频异常事件检测方法

说明书

本发明涉及基于改进单元分析的监控视频异常事件检测方法。本发明在视频帧上划分非重叠的单元，利用多种低级视觉特征分别建模并建立相应的分类器对异常事件进行判断。在特征表示上使用了更加精细化的特征：利用关于前景对象的极坐标下的HOG3D特征作为运动特征，利用等价模式的LBP特征作为纹理特征。本发明在运动检测方面，既可以检测前景对象运动速度大小的异常，又可以检测前景对象运动方向的异常；在大小和纹理检测方面，能够很好地区分正常纹理和异常纹理。本发明在不大幅度增加检测时间的前提下，提升了算法的检测性能。

技术领域

本发明涉及一种监控视频异常事件的检测方法，特别涉及一种基于改进单元分析的监控视频异常事件检测方法。

背景技术

近年来，公共场所的安全问题日益突出，对智能监控的要求也越来越高,越来越多的问题也凸现出来。其中一个重要问题就是如何对监控视频中的异常事件进行有效地监控。监控视频中的异常事件监测是智能视频监控系统的重要组成部分，对异常事件检测方法的进行研究，提高异常事件检测方法的准确率和时间效率，在安防监控中有重要应用价值。

监控视频中的异常事件检测方法主要分为四个基本步骤：依次为对监控视频进行预处理，对视频中基本事件进行表示、构建异常检测模型、基本事件的异常判断。目前的异常事件检测技术分为两类：跟踪的方法和非跟踪的方法。大部分跟踪的方法使用跟踪信息直接获取对象的速度和方向信息，使用跟踪信息间接获取一些辅助的特征如对象的尺寸和长宽比等。然而这些方法适合包含少量对象的场景，在密集场景由于对象的遮挡和重叠等很难可靠地跟踪轨迹。非跟踪的方法有意避免了特定对象的轨迹跟踪，此类方法大多数依赖目标运动特征，比如社会力模型中的相互作用力是通过光流计算目标运动特征。人行道上的与行人运动特征相似的车辆，存在尺寸异常；人行道上的与行人运动特征相似的骑自行车的人，存在纹理异常。因而，上述方法可能检测不到这些由于对象尺寸和纹理等因素导致的异常。动态纹理混合的方法虽然利用了纹理特征并较以往的技术有改进，但是该方法计算复杂度高，难以保证算法的实时性。

针对如何快速高效检测对象尺寸和纹理等导致的异常，文献《Improved AnomalyDetection in Crowded Scenes via Cell-based Analysis of Foreground Speed,Sizeand Texture》【Vikas Reddy、Computer Vision&Pattern Recognition Workshops】提出了一种健壮的、计算复杂性低的视频异常检测算法。该算法将视频划分成非重叠单元(小块区域)作为异常事件分析的基本单位，借助前景掩码信息利用运动、尺寸和纹理三个低级特征对基本事件进行描述，各个特征独立建模并设计了运动分类器和尺寸纹理分类器对异常事件进行检测。

通过实验验证和算法推理，上述算法存在由于描述符能力弱导致异常事件的漏检和误检问题，表现在两个方面：第一，将单元内前景的平均光流值作为运动特征，只能描述目标速度大小的运动特征，导致只能检测对象速度大小的异常，不能检测对象运动方向的异常；第二，纹理特征描述符能力弱，仅选取4个角度依次进行伽柏滤波并累加得到纹理特征，该特征只有四个维度，不能精确地区分正常和异常纹理。

发明内容

针对上述问题，本发明公开了一种基于改进单元分析的监控视频异常事件检测方法，该方法在视频帧上划分非重叠的单元，利用三种低级视觉特征：以基于前景对象的极坐标下的HOG3D特征作为运动特征，以前景像素点个数作为尺寸特征，以等价模式LBP特征作为纹理特征，分别建模并建立相应的分类器对视频异常事件进行检测判断。

本发明解决其技术问题采用的技术方案步骤如下：

基于改进单元分析的监控视频异常事件检测的方法，采用以下步骤实现：

步骤S101：图像预处理。读取视频流作为输入，对其进行解码，并使用高斯滤波进行去噪处理。