本发明专利技术公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。
【技术实现步骤摘要】
本专利技术属于计算机视觉领域，具体涉及一种基于递归神经网络建模的无监督人群异常监测及定位方法。
技术介绍
视频监控检测技术是视频技术与现代通信技术相结合的图像应用技术，同时人群异常事件的检测也引起了世界范围内越来越多研究者的兴趣。Rao,S.et al[1]在2003年开发了一种随机模型来描述正常人的行为，当有新的视频发过来时，通过提取人的运动轨迹来测试是否存在异常。2004年，Shobhit Saxena[2]等人提出了一中基于KLT跟踪的多帧特征点检测和跟踪的算法，实现特定人群情境中的人群事件建模。他们所提出的扩展的场景识别引擎(SRE)能够实现快速建模，同时提高了事件监测的可靠性。Tony Jan将改进的概率神经网络(MPNN)引入到人群检测算法中，减少了计算量的同时，提高了检测的可靠性。2009年，Ramin Mehran[3]等人首次提出一种利用社会力模型进行人群异常检测模型，将图像中的网格粒子的移动看做人群的移动，利用光流发来提取图像中人群的动态，包括人群速度和方向，将人群的个人运动用牛顿的力学来表征，有效的表现了群体和个人动态，此模型很好的表现了人群的细节动态。Louis Kratz等人提出了在及其拥挤的人群场景里利用时空运动模式方法来探测异常，也就是模拟局部时空量的运动变化和他们的时空统计行为来表示场景的总体行为，这种方法能很好的获取稳定状态的统计行为；2010年，Saira Saleem Path[4]等，首次通过社会熵来衡量有关潜在场的不确定性，利用SVM直接来探测人群异常与否；V.Mahadevan[5]等运用时空量来检测异常；2012年，Tian Wang[6]、Hua Yang[7]等人利用直方图来描述人群动态，同时采用SVM来进行异常事件分类；Bo Wang[8]等结合高频和时空量特征来检测异常行为。2013年，Yang Cong[9]等使用稀疏重构来实现异常事件探测，给出正常训练样本集合，建立正常事件并作为字典，通过正常字典来计算稀疏重建代价来确定人群时间是否异常。结合前人对人群异常事件检测算法研究情况可以看出，异常检测的基本思路是一致的，主要是解决基本事件的表示和异常事件模型检测模型建立两个问题。然而，实际研究过程中，无论是在最初的人群动态特征的提取，还是后期的运动分析，都存在一系列的问题导致智能视频检测有很大的误报率，例如：各类事情发生场景的不同，背景复杂，给出的基本事件的定义是不一致的；异常事件本身种类众多，过多依赖于人工的定义，对于大量的视频监控，人工标注工作量也在不断增加，且容易忽视一些针对围观或是踩草地等非暴力性质异常事件。
目前为止，人群异常事件的检测的两个基本问题解决方法研究均处于不成熟阶段，还需要进一步的学习、研究、完善。参考文献[1]Rao,S,Sastry,P.S.Abnoraml activity detection in video sequences using learn Probability densities[C].conference on Convergent Technologies for the Aisa-Pacific Region,2003:369-372.[2]Shobhit S,Franeois B,Crowd behavior recognition for video surveillance[J].Advance Concepts for Intelligence Vision Systems,2008,5259:970-981.[3]Mehran R,Oyama A,Shah M.Abnormal crowd behavior detection using social force model.In:Proc.of the Computer Vision and Pattern Recognition(CVPR).2009:935-942.[4]Saira Saleem Pathan,Ayoub Al-Hamadi,Bemd Michaelis.Incorporating social entropy for crowd behavior detection using SVM[C].6th International Symposium,ISCV,Las Vegas,NV,USA,2010,6453:153-162.[5]V.Mahadevan,W.Li,V.Bhalodia,et al.Anomaly Detection in Crowd Scenes[C].Proceeding of IEEE Conference on Computer Vision and Pattern Reconition,San Francisco,CA,USA.2010:1975-1981.[6]Tian Wang,Hichem Snoussi.Histograms of optical flow orientation for visual abnormal events detection[C].2012 IEEE Ninth International Conference on Advanced Video and Signal-Based Surveillance,Beijing,China,2012,1:13-18.[7]Hua Yang,Yihua Cao,Shuang Wu,Abnormal crowd behavior detection based on local pressure model[C].In:Asia-Pacifics Signal and Information Processing Association Annual Summit and Conference,2012,Vol.1:1-4.[8]Bo Wang,Mao Ye,Xue Li.Abnormal crowd behavior detection using high-frequency and spatio-temporal features[J].Machine Vision and Applications,2012,23(3):501-511.[9]Cong Y,Yuan J,Liu J.Sparse reconstruction cost for abnormal event detection.In:Proc.of the Computer Vision and Pattern Recognition(CVPR).2011:3449-3456.
技术实现思路
本专利技术的目的在于提供一种基于递归神经网络建模的无监督人群异常监测及定位方法，以用于人群场景的智能视频监控，对异常进行较准确的定位。为实现上述目的，本专利技术采用以下技术方案：基于递归神经网络建模的无监督人群异常监测及定位方法，包括以下步骤：(1)数据采集：针对同一监控设备，采集两种数据,一种是人群场景正常情况下提取的数据，作为训练集数据，用于模型训练；另一种是可能包含异常情况所提取的数据，作为测试集数据，用于模型测试。(2)网格划分：从同一监控本文档来自技高网...
【技术保护点】
基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于，包括以下步骤，(1)数据采集：针对同一监控设备，采集两种数据,一种是人群场景正常情况下提取的数据，作为训练集数据，用于模型训练；另一种是可能包含异常情况所提取的数据，作为测试集数据，用于模型测试；(2)网格划分：从同一监控设备下的训练集数据和测试集数据的视频序列中获取视频同一背景图像，对于固定且静态的不可达区域，做截断处理，然后对剩余场景进行网格划分，划分成K个N*M的网格；(3)光流特征提取：采取稠密光流法，从步骤(2)中划分好的网格内获取每个像素点的三层光流统计特征；(4)特征选择：选取局部K网格的光流统计特征及其周边网格特定方向的光流统计特征，用以监测K网格t+1时刻的人群动态序列；(5)模型训练：对训练集数据每个网格利用递归神经网络进行建模，K网格t时刻光流统计特征及四周网格特定方向光流特征作为输入，K网格t+1时刻的光流统计特征作为输出，利用Hessian‑Free Optimization方法进行训练；(6)异常监测及定位：对测试集数据中的K个网格进行异常监测和定位，将测试集数据t时刻K网格及其四周网格特定方向的光流统计特征数据输入模型，预测出K网格t+1时刻的光流统计特征，然后计算K网格t+1时刻与t时刻之间光流统计直方图的距离来判定是t+1时刻是否异常,当t+1时刻整个场景中的所有网格中有出现异常时，则判定该时刻为异常，并进行异常定位。...
【技术特征摘要】
1.基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于，包括以下步骤，(1)数据采集：针对同一监控设备，采集两种数据,一种是人群场景正常情况下提取的数据，作为训练集数据，用于模型训练；另一种是可能包含异常情况所提取的数据，作为测试集数据，用于模型测试；(2)网格划分：从同一监控设备下的训练集数据和测试集数据的视频序列中获取视频同一背景图像，对于固定且静态的不可达区域，做截断处理，然后对剩余场景进行网格划分，划分成K个N*M的网格；(3)光流特征提取：采取稠密光流法，从步骤(2)中划分好的网格内获取每个像素点的三层光流统计特征；(4)特征选择：选取局部K网格的光流统计特征及其周边网格特定方向的光流统计特征，用以监测K网格t+1时刻的人群动态序列；(5)模型训练：对训练集数据每个网格利用递归神经网络进行建模，K网格t时刻光流统计特征及四周网格特定方向光流特征作为输入，K网格t+1时刻的光流统计特征作为输出，利用Hessian-Free Optimization方法进行训练；(6)异常监测及定位：对测试集数据中的K个网格进行异常监测和定位，将测试集数据t时刻K网格及其四周网格特定方向的光流统计特征数据输入模型，预测出K网格t+1时刻的光流统计特征，然后计算K网格t+1时刻与t时刻之间光流统计直方图的距离来判定是t+1时刻是否异常,当t+1时刻整个场景中的所有网格中有出现异常时，则判定该时刻为异常，并进行异常定位。2.如权利要求1所述的基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于：步骤(3)中采取稠密光流法提取每一帧各像素的光流I(vx,vy)，并从划分好的网格中分8个...
【专利技术属性】
技术研发人员：蔡瑞初，陈恬，郝志峰，谢伟浩，温雯，陈炳丰，黄灿锦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。