基于运动能量模型针对监控视频速度异常目标的检测方法技术

本发明专利技术公开了一种基于运动能量模型针对监控视频速度异常目标的检测方法，包括：考虑异常目标及其周围8邻域的运动矢量信息，建立运动能量模型，利用数据项和差异项的加和，来表示每一个空间块的运动能量值；对视频帧的每一空间块均进行边界值提取，每一个边界值代表其对应空间块的，区分正常运动和异常运动的边界值；基于sigmoid函数的二分类器对测试集中的运动能量值进行分类，以测试集每一块的运动能量值和提取的边界值的差异作为输入，并输出一个[0,1]的概率值；该空间块对应的概率值越大，表示发生异常运动，即速度异常的可能性越高。本发明专利技术有效地表达运动强度模式，复杂度较低，平衡了检测精确度和检测效率，能够实时检测监控视频中速度异常的目标。

Method for detecting abnormal target of monitoring video speed based on motion energy model

The invention discloses a method based on motion energy model for abnormal target monitoring video speed detection method, including: considering the motion vector information of anomaly target and around 8 neighborhood, a motion energy model, using the data and the difference and the energy, to indicate the movement of each space block value of each block; the space of video frames are boundary value extraction, each boundary value represents the corresponding space block, the distinction between normal motion and anomalous motion boundary value; motion energy function sigmoid two classifier on the test set value based classification, to test the difference between sets motion energy of each block boundary value and extraction value as input, and outputs a probability value of [0,1]; the space block corresponding probability value is greater, said the occurrence of abnormal movement, namely the possibility of more high velocity anomaly. The invention effectively expresses the movement intensity mode, has low complexity, balances the detection accuracy and the detection efficiency, and can detect the speed abnormity target in the surveillance video in real time.

【技术实现步骤摘要】
基于运动能量模型针对监控视频速度异常目标的检测方法
本专利技术涉及视频监控异常检测
，尤其涉及一种基于运动能量模型针对监控视频速度异常目标的检测方法。
技术介绍
近年来，随着一些恐怖袭击事件和群体暴力事件的频发，人们对城市生活质量和生活安全防范的要求与日俱增。虽然各种视频监控设备已经广泛安置在各种人流密集的公共场所，如火车站、地铁站、医院、广场、以及小区等等，但是目前的视频监控系统只能够对某个监控场景进行简单的视频录制，将视频传输至监控室，通过监控人员进行人工的场景监控；或是将监控视频存储起来，供事后查找取证之用。这种传统的监控系统缺乏实时性和智能性，十分依赖于监控人员的经验和主观判断。因此，为了能够使监控系统实时自动地分析视频内容，判断监控视频中的异常目标和异常事件，辅助监控人员进行判断，需要大大提高监控视频异常判断的准确度和公共场所安全防范的质量。公共场景下的异常事件是多种多样的，例如：抢劫、跌倒、入侵、人群聚拢、人流逆行，物体超速等等。其中，检测速度异常目标的应用范围非常广泛，实用性非常高。在近年来的研究中，许多科研人员基于不同的技术提出了不同的物体速度异常检测方法。Helbing等人基于运动信息提出社会力模型来计算人群的交互力，以此判断方向及速度的异常，但该方法对于缺乏足够运动信息的人群稀疏的场景并不适用[1]；Adam等人利用位置固定的多重监控单元对场景的低级特征进行统计，检测超速不同位置的超速物体，但是该方法受限于监控单元的数量和密度[2]；Weixin等人提取场景中物体的动态文理特征描述不同状态的物体，以此对异常和正常进行分类，但该方法的特征提取过程时间复杂度高，实时效果不佳[3]；Vikas综合物体的速度、大小及纹理特征，通过一个多级分类器对异常进行判断，但该方法受限于模板的选取和分级检测机制的设置[4]。
技术实现思路
本专利技术提供了一种基于运动能量模型针对监控视频速度异常目标的检测方法，本专利技术同时考虑了目标物体及其临近物体的运动信息，对运动强度的检测有较好的鲁棒性，可以有效地检测不同场景下的速度异常目标，详见下文描述：一种基于运动能量模型针对监控视频速度异常目标的检测方法，所述检测方法包括以下步骤：考虑异常目标及其周围8邻域的运动矢量信息，建立运动能量模型，所述模型包括：数据项和差异项，利用数据项和差异项的加和，来表示每一个空间块的运动能量值；对视频帧的每一空间块均进行边界值提取，每一个边界值代表其对应空间块的，区分正常运动和异常运动的边界值；基于sigmoid函数的二分类器对测试集中的运动能量值进行分类，以测试集每一块的运动能量值和提取的边界值的差异作为输入，并输出一个[0,1]的概率值；该空间块对应的概率值越大，表示发生异常运动，即速度异常的可能性越高。所述检测方法还包括：结合图像金字塔，利用Lucas-Kanade光流法在不同尺度上对监控视频中的每一帧提取光流矢量，建立光流场，将每一帧的光流场分为M×N的不重叠的空间块，获取每一空间块的运动矢量。所述运动矢量具体为：Bi.j＝(fx,y(h,v)|x＝1,2,...,M,y＝1,2,...,N)i＝1,2,...,P,j＝1,2,...,Q其中，Bi,j表示位置为(i,j)的空间块；fx,y(h,v)表示包含于块Bi,j中的位置为(x,y)的运动矢量，包含一个水平分量h和竖直分量v；M为每一个空间块的水平长度；N为每一个空间块的竖直长度；P为每一帧水平方向的空间块数量；Q为每一帧竖直方向的空间块数量。所述方法还包括：对运动矢量进行量化。所述边界值提取具体为：若数据增长率大于预设的一定阈值，则将前一个数据点的运动能量值视为边界值。本专利技术提供的技术方案的有益效果是：本专利技术提出的运动能量模型可以有效地表达运动强度模式，算法复杂度较低，平衡了检测精确度和检测效率，能够实时检测监控视频中速度异常的目标。附图说明图1给出了基于运动能量模型针对监控视频速度异常目标的检测方法的流程图；图2给出了存在局部速度异常的监控场景示例图；(a)为人行道中快速行驶的机动车的示意图；(b)为人行道中穿行的自行车的示意图。图3给出了局部速度异常目标及其运动能量值的示例图；(a)、(c)为测试集中包含异常运动的任意两帧的示意图；(b)、(d)分别为(a)、(c)相应帧的运动能量值的示意图。图4给出了利用数据增长率的方法估计运动能量边界值的示例图；(a)为训练集中的所有帧，该示例统计方块标记区域的运动能量值；(b)为该块运动能量值从小到大的分布情况，可以看出大部分值趋于零，存在极少的非常大的噪声值；(c)为运动能量值的数据增长率，当数据增长率过大时，则认为该值已超出了正常运动能量值的范围；(d)为最终选取的运动能量边界值(两条虚线交点)，加粗虚线表示正常运动能量值的范围。图5给出了最终的运动能量边界值图；图6给出了本专利技术与SocialForce，MDT及MPPCA方法的性能在UCSD数据集上的比较结果图；(a)为UCSDPed1测试集的帧级异常检测性能的示意图；(b)为UCSDPed2测试集的帧级异常检测性能的示意图；(c)为UCSDPed2测试集的像素级异常检测性能的示意图。图7给出了本专利技术在UCSD数据集上的可视化结果图(标注异常目标)。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实施例1本专利技术实施例针对监控场景下的速度异常目标的检测，基于场景运动信息，提出了一种运动能量模型来描述物体运动模式，并通过对不同区域运动能量值的分类，实现速度异常目标的实时检测，参见图1，该方法包括以下步骤：101：提取目标区域的运动信息，获得运动强度值；102：利用SSD度量对目标区域及其8邻域进行差异度计算，获得一个运动差异值；103：利用两项加和表示中心区域物体的运动能量值，进而通过对运动能量值的分类，来检测速度异常的目标。综上所述，本专利技术实施例提出的运动能量模型同时考虑了目标物体及其临近物体的运动信息，对运动强度的检测有较好的鲁棒性，可以有效地检测不同场景下的速度异常目标。实施例2下面结合具体的计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：201：提取运动信息；运动矢量是能够表达物体运动信息的重要特征，而光流法是计算运动矢量的最为有效的方法之一。本专利技术实施例结合图像金字塔，利用Lucas-Kanade光流法在不同尺度上对监控视频中的每一帧提取光流矢量，建立光流场。之后，将每一帧的光流场分为大小为M×N的不重叠的空间块，共P×Q个。对于每一块，运动矢量表示如下：Bi.j＝(fx,y(h,v)|x＝1,2,...,M,y＝1,2,...,N)i＝1,2,...,P,j＝1,2,...,Q其中，Bi,j表示位置为(i,j)的空间块；fx,y(h,v)表示包含于块Bi,j中的位置为(x,y)的运动矢量，其包含一个水平分量h和竖直分量v。位于(x,y)的运动矢量的强度表示为：magx,y＝||fx,y(h,v)||2为了便于统计，本专利技术实施例将各像素点的运动矢量进行适当的量化，实验表明量化等级为16时检测效果最好，具体量化方式如下：首先找到每一个空间块的运动矢量强度值的最大值maxmagx,y，将区间[0,max本文档来自技高网...

【技术保护点】
一种基于运动能量模型针对监控视频速度异常目标的检测方法，其特征在于，所述检测方法包括以下步骤：考虑异常目标及其周围8邻域的运动矢量信息，建立运动能量模型，所述模型包括：数据项和差异项，利用数据项和差异项的加和，来表示每一个空间块的运动能量值；对视频帧的每一空间块均进行边界值提取，每一个边界值代表其对应空间块的，区分正常运动和异常运动的边界值；基于sigmoid函数的二分类器对测试集中的运动能量值进行分类，以测试集每一块的运动能量值和提取的边界值的差异作为输入，并输出一个[0,1]的概率值；该空间块对应的概率值越大，表示发生异常运动，即速度异常的可能性越高。

【技术特征摘要】
1.一种基于运动能量模型针对监控视频速度异常目标的检测方法，其特征在于，所述检测方法包括以下步骤：考虑异常目标及其周围8邻域的运动矢量信息，建立运动能量模型，所述模型包括：数据项和差异项，利用数据项和差异项的加和，来表示每一个空间块的运动能量值；对视频帧的每一空间块均进行边界值提取，每一个边界值代表其对应空间块的，区分正常运动和异常运动的边界值；基于sigmoid函数的二分类器对测试集中的运动能量值进行分类，以测试集每一块的运动能量值和提取的边界值的差异作为输入，并输出一个[0,1]的概率值；该空间块对应的概率值越大，表示发生异常运动，即速度异常的可能性越高。2.根据权利要求1所述的一种基于运动能量模型针对监控视频速度异常目标的检测方法，其特征在于，所述检测方法还包括：结合图像金字塔，利用Lucas-Kanade光流法在不同尺度上对监控视频中的每一帧提取光流矢量，建立光流场，将每一帧的光流场分为M×N的不重叠的空间块，获取每一空...

【专利技术属性】
技术研发人员：侯春萍，陈天宇，王晓燕，王致芃，刘琦，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12