用于检测异常运动的方法和设备技术

提供了一种用于检测异常运动的方法和设备。所述设备包括特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。

【技术实现步骤摘要】
用于检测异常运动的方法和设备本申请要求于2013年2月25日提交到韩国专利局的第10-2013-0020130号韩国专利申请以及于2013年8月5日提交到韩国知识产权局的第10-2013-0092658号韩国专利申请的优先权，其公开通过引用完整地包含于此。
本公开涉及一种用于通过使用在线学习方法来检测异常运动的方法和设备。
技术介绍
学习图像中的对象的运动流的方法大致分为基于轨迹的学习方法或基于局部特征的学习方法。这些学习方法可以大致分为三种类型的方法:第一，有一种通过跟踪图像中的运动对象来搜索其轨迹并通过将轨迹聚类为几种主要模式来学习图像的方法。在这种第一类型的方法中，定义轨迹之间的距离，以使类似的轨迹以很短的距离相互分开，并通过使用定义的距离将类似的轨迹分类为各个模式。第二，有一种通过使用高斯混合模型和核密度估计来定义从图像的每个像素到下一个像素的转移概率来学习图像的方法。在这种第二类型的方法中，并未搜索轨迹的普通模式，而是统计地学习经过图像的每个位置的对象的速度和尺寸。与上述第一类型的方法相比，第二类型的方法具有对于以任意角度投射的图像而言更加强健的性能。此外，第二类型的方法还可以有效地处理被切断的轨迹。第三，有一种通过从图像提取局部特征(诸如光流)来学习图像的方法。在这种第三类型的方法中，使用高斯混合模型或概率主题模型来生成学习模型。然而，由于这些学习方法通常使用批量学习方案，因此，在图像不断变化的情况下，变化可能不会被反映在学习模型中。第2011-0133476号韩国专利公布是现有技术的一种示例。
技术实现思路
本公开的一个或更多个实施例包括一种即使多个正常运动模式相隔时间差地出现在输入图像中的任意局部区域中也允许执行学习的方法。本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以允许学习图像中的特征的速度和方向信息，并且可以允许确定模式之间的时空关系O本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以适应于随着时间变化在图像中的变化，并且即使对于复杂图像(诸如人群集中的图像)也可以具有强健的性能。将在下面的描述中阐述其他方面，并且通过下面的描述其他方面将变得清楚。根据本公开的一个或更多个示例性实施例，一种用于检测异常运动的设备可以包括:特征跟踪单元，用于提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，用于以文件(作为成束的轨迹)为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，用于对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。根据本公开的一个或更多个示例性实施例，一种用于检测异常运动的设备可以包括:特征跟踪单元，用于提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；轨迹分类单元，用于以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来推断指示构成每个文件的主题的直方图分布的多项分布参数概率矢量值，由此对于文件中的每个主题来聚类轨迹的位置；时空相关性推断单元，用于基于推断的多项分布参数概率矢量值来推断时空相关性；运动模式在线学习单元，用于对于每个聚类的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。所述设备还可以包括异常性检测单元，通过使用学习到的运动模式的高斯学习结果，当包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低时，将运动模式分类为异常运动模式。轨迹可以由一组单词Wji和一组矢量差Vji,来表示，所述一组单词表示指示轨迹经过的栅格点的位置的一组单词。所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差vjiT，Wji指示第j轨迹经过第i栅格，其中，τ、j和i是整数。多项分布参数概率矢量值可以包括文件-主题概率分布(Θ d)和主题-单词概率分布((pk)。时空相关性推断单元可以使用K均值聚类方法来推断时空相关性。根据本公开的一个或更多个示例性实施例，一种检测异常运动的方法可以包括:在特征跟踪单元中，提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；在主题在线学习单元中，以文件(作为成束的轨迹)为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来确定构成分类的文件的主题的概率分布状态；在运动模式在线学习单元中，对于每个确定的主题来学习速度和方向，通过推断确定的主题之间的时空相关性来学习运动模式。根据本公开的一个或更多个示例性实施例，一种检测异常运动的方法可以包括:在特征跟踪单元中，提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，确定提取的特征的轨迹；在轨迹分类单元中，以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来推断指示构成每个文件的主题的直方图分布的多项分布参数概率矢量值，由此对于文件中的每个主题来聚类轨迹的位置；在时空相关性推断单元中，基于推断的多项分布参数概率矢量值来推断时空相关性；在运动模式在线学习单元中，对于每个聚类的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。【附图说明】通过下面结合附图对示例性实施例进行的描述，这些和/或其他方面将变得清楚和更易于理解，其中:图1是根据本公开的示例性实施例的异常行为检测设备的内部配置图；图2A和图2B是示出根据本公开的示例性实施例的通过使用在线潜在狄利克雷分配(OLDA)学习方法以文件为单位对输入图像进行分类并确定构成分类的文件的主题的概率分布状态的示例的示图；图3是示出根据本公开的示例性实施例的提取输入图像中的运动对象的特征并通过跟踪提取的特征的位置随着时间的变化来确定轨迹信息的示例的示图；图4是示出根据本公开的示例性实施例的示出轨迹信息段的方法的示例的示图；图5是示出根据本公开的示例性实施例的使用K均值聚类方法确定时空相关性的示例的示图；图6是示出根据本公开的示例性实施例的通过推断主题之间的时空相关性来学习运动模式的示例的示图；图7是示出根据本公开的示例性实施例的在线学习方法(作为概率主题模型)的图形的类型的示图；图8A至图8C是示出根据本公开的示例性实施例的级联推断方法的示例的示图；图9A和图9B是示出根据本公开的示例性实施例的对于每个主题来聚类轨迹的位置的示例的示图。【具体实施方式】现在将对示例性实施例进行详细的描述，其示例在附图中示出，其中，相同的标号始终指示相同部件。就这一点而言，当前的示例性实施例可以具有不同的形式并且不应被解释为局限于这里所阐述的描述。因此，仅仅是通过参照附图在下面描述示例性实施例，以解释本说明书的各方面。附图中的框图示出根据本公开的示例性实施例的设备和方法。就这一点而言，每个框可以表示包含用于执行指定逻辑功能的一个或更多个可执行指令的模块、程序或部分代码。还应该注意的是，可以通过用于执行指定功能/操作的基于专用硬件的系统、通过用于执行指定功能/操作的基于本文档来自技高网...

【技术保护点】
一种用于检测异常运动的设备，所述设备包括：特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定包括在分类的文件中的主题的概率分布状态；运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。

【技术特征摘要】
2013.02.25 KR 10-2013-0020130;2013.08.05 KR 10-2011.一种用于检测异常运动的设备，所述设备包括: 特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹； 主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定包括在分类的文件中的主题的概率分布状态； 运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。2.根据权利要求1所述的设备，还包括:异常检测单元，被配置为通过使用学习到的运动模式的高斯学习结果，响应于包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低，将运动模式分类为异常运动模式。3.根据权利要求1所述的设备，其中，所述特征跟踪单元被配置为通过使用Kanade-Lucas-Tomasi跟踪技术来提取输入图像中的运动对象的特征。4.根据权利要求1所述的设备，其中，在所述主题在线学习单元中，文件包括通过多项分布生成的多个主题，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值被推断以对于每个主题来聚类轨迹的位置。5.根据权利要求1所述的设备，其中，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值包括文件-主题概率分布(Θ d)和主题-单词概率分布(Cpk)。6.根据权利要求1所述的设备，其中，所述轨迹由一组单词Wji和一组矢量差vjiT来表示，所述一组单词由轨迹经过的栅格点位置表示，并且 其中，Wji指示第j轨迹经过第i栅格，所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差vjiT。7.根据权利要求6所述的设备，其中，单词Ri基于多项分布，并且包括在单词中的矢量的差VM具有高斯分布。8.根据权利要求6所述的设备，其中，通过使用特定栅格的当前帧的位置值和在τ帧之前的特定栅格的实际位置值，对于每个单词位置来确定速度。9.根据权利要求1所述的设备，其中，所述在线学习方法为在线潜在狄利克雷分配学习方法。10.根据权利要求9所述的设备，其中，在所述在线潜在狄利克雷分配学习方法中，使用变分贝叶斯来推断潜在狄利克雷分配。11.根据权利要求1所述的设备，其中，所述运动模式在线学习单元被配置为通过使用K均值聚类方法来推断时空相关性。12.一种用于检测异常运动的设备，所述设备包括: 特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹； 轨迹分类单元，被配置为以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来推断多项分布参数概率矢量值，以便对于文件中的每个主题来聚类轨迹的位置，其中，所述多项分布参...

【专利技术属性】
技术研发人员：柳永俊，郑夏旭，李侊茂，崔镇荣，朴东俊，林廷恩，
申请(专利权)人：三星泰科威株式会社，首尔国立大学校产学协力财团，
类型：发明
国别省市：韩国;KR