基于运动重构技术的交通场景异常检测方法技术

本发明专利技术涉及一种基于运动重构技术的交通场景异常检测方法，针对复杂运动模式和变化背景，本发明专利技术通过更加合理的运动信息描述方法，并利用运动模式的空间位置信息，探索了不同运动模式间的空间结构信息，进而解决了现有的异常检测方法对该特定场景的不适用性。

【技术实现步骤摘要】

本专利技术属于计算机视觉，视频内容分析领域，具体涉及一种基于运动信息重构的 异常行为检测方法。本专利技术可以应用到车辆辅助驾驶系统，无人驾驶系统等方面。
技术介绍
异常行为检测作为视频内容分析中的一个核心问题，研究者们已经在固定摄像 头，简单场景下做了很多研究。在该技术中，视频事件的描述方法是一个至关重要的问题。 基于不同的事件描述方法，前人的工作可以分为以下两个分支： 基于物体运动轨迹信息的有A. Basharat等人在文献"A. Basharat, A. Gritai, and M. Shah.Learning Object Motion Patterns for Anomaly Detection and Improved Object Detection, In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1 - 8, 2008."中提出对于单个物体进行长时间的跟踪，得到该目 标的完整运动轨迹。基于物体的完整运动轨迹，该方法通过与训练集中的正常运动轨迹对 比结果来检测异常目标。 基于局部运动模式的有Y. Cong等人在文献"Y. Cong, J. Yuan, and J. Li. Sparse Reconstruction Cost for Abnormal Event Detection,In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 3449 - 3456, 2011.'，中提 出利用光流法描述运动信息，通过计算得到的直方图表示局部运动模式。该方法在训练数 据中学习了一个代表正常运动模式的字典，通过字典对于测试数据的重构误差来度量其异 常程度。 这些方法的应用场景往往都是背景固定，运动模式单一的场景。对于交通场景这 种运动模式复杂，背景变化较大的场景的研究还没有，所以需要针对交通场景设计合适的 异常检测算法。
技术实现思路
要解决的技术问题 本专利技术提出一种，针对复杂运动模式 和变化背景，本专利技术通过更加合理的运动信息描述方法，并利用运动模式的空间位置信息， 探索了不同运动模式间的空间结构信息，进而解决了现有的异常检测方法对该特定场景的 不适用性。 技术方案 -种，其特征在于步骤如下： 步骤1 :计算前50帧视频中各个像素点的运动方向和运动幅度： m"= arctan ( Δ γ/ Δ χ)其中，（Δχ，Ay)为像素的光流信息； 将运动方向按照对应像素的位置排列成运动方向场M。，将运动幅度按照对应像素 的位置排列成运动幅度场使用SLIC超像素分割方法对这两个运动场进行分割，并计算 每个分割区域运动方向y。或运动幅度y"，将分割区域的中心位置z。或z"记为空间位置坐 标； 步骤2 :将所有分割区域的运动方向yc]的集合矩阵Y。输入到下式进行优化：s.t.diag(C〇) =0 其中，λi为超参数，II·IIF表示矩阵的F-范数，C。为优化参数； 优化得到最优参数C。％根据其行向量2范数对其进行排列，得到： 其中，<表示最优参数C。冲的第i"行向量； 选择前T个行向量对应的y。组成字典D。，其字典元素对应的空间位置z。组成集合 L〇; 将所有分割区域的运动幅度yni的集合矩阵Y"输入到下式进行优化： s.t.diag(Cm) = 0 其中，λi为超参数，II·IIF表示矩阵的F-范数，Cm为优化参数； 优化得到最优参数Q；，根据其行向量2范数对其进行排列，得到： 其中，c,,/"表示最优参数C/中的第i"行向量； 选择前T个行向量对应的yni组成字典，其字典元素对应的空间位置Ζηι组成集合 L|11; 步骤3 :计算第51帧视频中的局部运动方向％的空间位置坐标<与字典元素空间位置L。的距离，选择距离从近到远的前K个字典元素组成局部字典D^计算运动方向重构 误差： 其中EMD()表示EarthMoversDistance，c。为下述优化问题的最优解： 其中，λ2为超参数，c为优化参数； 计算第51帧视频中的局部运动幅度.V；：,的空间位置坐标zl与字典元素空间位置L" 的距离，选择距离从近到远的前K个字典元素组成局部字典Dm，其字典元素对应的空间位 置组成集合1^;计算运动幅度重构误差： 其中，0^表示字典中的第j个字典元素，w.=e+:^l为不同位置的字典元素 不同的权重，丨^表示字典Lm中的第j个字典元素； 将运动方向重构误差\按照对应像素的位置排列成运动方向异常分布图S。，运动 幅度重构误差a"按照对应像素的位置排列成运动幅度异常分布图SM; 步骤4 :计算融合后的交通场景异常分布图SGJzhSjz)): Λ、和％。分别表示S。检测出的异常区域F。和正常区域B。的像素个数； 你和乂分别表示在SM中数值属于异常和正常的像素个数；和Λ乂分 另瞭示SM检测出的异常区域FΜ和正常区域ΒΜ的像素个数；队⑵)和(?⑵)分别 表示在S。中数值属于异常和正常的像素个数，ppJSjz)和phlSjz))为位置z处像素 点的似然概率，Sjz)和SM(z)为运动方向异常分布图和运动幅度异常分布图在位置z处的 重构误差。 λ工和λ2为 0· 5。 所述步骤1中计算每个分割区域运动方向y。和运动幅度yni的方法采用 "Dalai N, Triggs B. Histograms of Oriented Gradients for Human Detection. In: IEEE Conference on Computer vision and Pattern Recognition. New York:IEEE, 2005. 886-893"。 有益效果 本专利技术提出的一种，对物体的运动方 向异常和运动幅度异常同时进行了度量，并利用贝叶斯融合模型得到最终的检测结果。进 而使得本算法能够有效解决复杂场景（运动模式复杂，背景变化快）的问题，同时也使得其 能够检测多种异常行为，并且达到平均87. 9%的检测准确率。【附图说明】 图1本专利技术实施的具体流程图【具体实施方式】 现结合实施例、附图对本专利技术作进一步描述： 本专利技术提出了一种，对比之前的研 究，该算法对于交通场景中的异常检测具有更好的效果。其技术方案包括下述步骤： (a)利用视频帧的光流信息，计算直方图表示局部运动模式。首先利用得到的光流 信息计算对应的运动方向场和运动幅度场，然后采用超像素分割技术对其进行分割，在每 个分割区域内计算一个直方图表示局部的运动方向或者运动大小； (b)针对运动方向和运动大小，在无异常的视频帧中分别学习得到两个代表正常 运动模式的字典，同时保留运动模式对应的空间位置信息。 (c)在新的视频帧中，对于每个新的运动直方图，我们在字典中选择与其空间位置 接近的K个元素来重构新的直方图，将其重构误差作为异常性的度量。由此，不同区域的重 构误差组成了异常分布图，分别是运动方向和运动幅度异常分布图。 (d)收集重构误差较小的运动直方图，每隔T帧利用这些样本更新原有的字典。 (e)采用基于贝叶斯模本文档来自技高网...

【技术保护点】
一种基于运动重构技术的交通场景异常检测方法，其特征在于步骤如下：步骤1：计算前50帧视频中各个像素点的运动方向和运动幅度：mo=arctan(Δy/Δx)mm=Δx2+Δy2]]>其中，(Δx,Δy)为像素的光流信息；将运动方向按照对应像素的位置排列成运动方向场Mo，将运动幅度按照对应像素的位置排列成运动幅度场Mm；使用SLIC超像素分割方法对这两个运动场进行分割，并计算每个分割区域运动方向yo或运动幅度ym，将分割区域的中心位置zo或zm记为空间位置坐标；步骤2：将所有分割区域的运动方向yo的集合矩阵Y0输入到下式进行优化：minCλ1||C0||1,2+12||Y0-Y0C0||F2s.t.diag(C0)=0]]>其中，λ1为超参数，‖·‖F表示矩阵的F‑范数，C0为优化参数；优化得到最优参数C0*，根据其行向量2范数对其进行排列，得到：||c0i1||≥||c0i2||≥...||c0in||]]>其中，表示最优参数C0*中的第in行向量；选择前T个行向量对应的yo组成字典D0，其字典元素对应的空间位置zo组成集合L0；将所有分割区域的运动幅度ym的集合矩阵Ym输入到下式进行优化：minCλ1||Cm||1,2+12||Ym-YmCm||F2s.t.diag(Cm)=0]]>其中，λ1为超参数，‖·‖F表示矩阵的F‑范数，Cm为优化参数；优化得到最优参数Cm*，根据其行向量2范数对其进行排列，得到：||cmi1||≥||cmi2||≥...||cmin||]]>其中，表示最优参数Cm*中的第in行向量；选择前T个行向量对应的ym组成字典Dm，其字典元素对应的空间位置zm组成集合Lm；步骤3：计算第51帧视频中的局部运动方向的空间位置坐标与字典元素空间位置L0的距离，选择距离从近到远的前K个字典元素组成局部字典Dol；计算运动方向重构误差：ao=EMD(yo*,Dolco)]]>其中EMD()表示Earth Mover s Distance，co为下述优化问题的最优解：co=argminc||yo*-Dolc||F2+λ2||c||1]]>其中，λ2为超参数，c为优化参数；计算第51帧视频中的局部运动幅度的空间位置坐标与字典元素空间位置Lm的距离，选择距离从近到远的前K个字典元素组成局部字典Dml，其字典元素对应的空间位置组成集合；计算运动幅度重构误差：am=1KΣj=1Kwj×EMD(ym*,Dmlj)]]>其中，Dmlj表示字典Dml中的第j个字典元素，为不同位置的字典元素不同的权重，lmlj表示字典Lml中的第j个字典元素；将运动方向重构误差ao按照对应像素的位置排列成运动方向异常分布图SO，运动幅度重构误差am按照对应像素的位置排列成运动幅度异常分布图SM；步骤4：计算融合后的交通场景异常分布图S(SO(z),SM(z))：S(SO(z),SM(z))=12(p(FO|SM(z))+p(FM|SO(z)))]]>其中：p(FO|SM(z))=SO(z)p(SM(z)|FO)SO(z)p(SM(z)|FO)+(1-SO(z))p(SM(z)|BO)]]>p(SM(z)|FO)=NbFo(SM(z))NFOp(SM(z)|BO)=NbBO(SM(z))NBOp(FM|SO(z))=SM(z)p(SO(z)|FM)SM(z)p(SO(z)|FM)+(1-SM(z))p(SO(z)|BM)p(SO(z)|FM)=NbFM(SO(z))NFMp(SO(z)|BM)=NbBM(SO(z))NBM]]>和分别表示SO检测出的异常区域FO和正常区域BO的像素个数；和分别表示在SM中数值属于异常和正常的像素个数；和分别表示SM检测出的异常区域FM和正常区域BM的像素个数；和分别表示在SO中数值属于异常和正常的像素个数，p(FO|SM(z)和p(FM|SO(z))为位置z处像素点的似然概率，SO(z)和SM(z)为运动方向异常分布图和运动幅度异常分布图在位置z处的重构误差。...

【技术特征摘要】

【专利技术属性】
技术研发人员：袁媛，王琦，王栋，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61