[发明专利]面向监控场景的在线低秩异常视频事件检测方法

摘要

本发明公开了一种面向监控场景的在线低秩异常视频事件检测方法。本发明对给定场景下的监控视频集合进行如下操作：1）将监控视频分为训练视频和测试视频两部分，对各视频帧提取低层视觉特征，形成相应的向量化表示；2）通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型；3）对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，直至视频结束。本发明从低秩分解和稀疏表示的角度对监控场景下的视频进行帧编码和重构，能够逐帧在线判断异常视频事件，提高了监控视频异常检测的效率和精度。

主权项

1.面向监控场景的在线低秩异常视频事件检测方法，其特征在于对给定场景下的监控视频集合，进行如下操作：1)将监控视频分为训练视频和测试视频两部分，其中训练视频由选定的正常视频组成，并对各视频帧提取低层视觉特征，形成相应的向量化表示；2)通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型；3)对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，直至视频结束；所述的步骤1)中的对各视频帧提取低层视觉特征，形成相应的向量化表示，具体是：1.1)对每个视频帧提取三种低层视觉特征，即尺度不变特征变换、局部二值模式和梯度直方图，刻画帧图像中的全局和局部结构，将提取的三种特征合并成m维的列向量1.2)对n帧训练视频图像形成向量化表示矩阵对s帧测试视频图像形成向量化表示矩阵其中训练视频帧的表示矩阵X作为异常事件检测模型的字典；所述的步骤2)中的通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型，具体是：2.1)将训练视频的表示矩阵X分解为两部分，即X＝XWV+E：前部分为由字典X与权重矩阵W构线性重构得到的p维基矩阵与低维系数矩阵的乘积矩阵，后部分为噪声矩阵其中p＜＜min(m,n)，即基矩阵和系数矩阵的维度远小于m和n的最小值，每个m维训练帧x对应的p维系数向量表示为v，对应的m维噪声向量为e；2.2)在线系数低秩表示方法是指对权重矩阵W添加Frobenius范数||·||_F，对系数矩阵V同时添加Frobenius范数||·||_F和l₁范数||·||₁使其具有稀疏特性，对噪声矩阵E添加l₁范数，在上述范数的约束条件下最小化X与(XWV+E)之间的均方误差，其目标函数为其中，常数λ₁>0，λ₂>0；2.3)对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵W和稀疏系数矩阵V是指在t(t＝0,1,…,n)轮迭代的情形下，先初始化权重矩阵W₀、稀疏系数矩阵V₀、噪声矩阵E₀为全0矩阵，并引入辅助矩阵和也初始化为全0矩阵，下标代表迭代轮数，其迭代的具体步骤如下：a)从训练视频帧集合中随机选一帧x_t进行模型构建；b)在第t轮迭代，固定权重矩阵和噪声向量，通过求解下式获得该轮迭代的系数向量v_t，即其中符号||·||₂表示向量的l₂范数；c)在第t轮迭代，固定权重矩阵和系数向量，通过求解下式获得该轮迭代的噪声向量e_t，即d)通过下式更新两个辅助矩阵，即其中符号(·)^T表示向量或矩阵的转置；e)利用迭代梯度映射规则更新权重矩阵W，即对矩阵的列向量计算梯度，并通过映射得到每个列向量的新表示；f)重复上述步骤，直到训练视频帧集合变为空集，并得到通过n次迭代更新的权重矩阵W和稀疏系数矩阵V；2.4)构建异常视频事件检测模型是指对待检测的视频帧x_test进行步骤2.3)中的b)和c)操作后，得到对应的系数向量v_test和噪声向量e_test，然后计算两个重构误差值f_v和f_e，即至此异常视频事件检测模型构建完成。