一种监控视频异常事件检测的方法技术

本发明专利技术属于视频异常事件检测技术领域，提供了一种监控视频异常事件检测的方法。本方法能够对任意监控视频的画面进行分析并检测出异常事件，涉及到视频图像处理的相关知识。首先，将视频划分为图像序列，提起视频的三维梯度特征；其次，对原始提取的特征进行随机筛选，然后对随机筛选的特征进行主成分分析进行降维，得到最终特征；对训练样本提取特征后，根据Baum‑Welch算法进行迭代更新，得到隐马尔可夫模型各项参数；最后，计算测试样本由此模型生成的概率，对比设定的阈值，完成异常事件的检测。本发明专利技术的效果和益处是能够有效的检测出画面中的异常事件，模型不同数据库中应用较好，边缘影响不明显，并且大大降低了计算复杂度。

【技术实现步骤摘要】
一种监控视频异常事件检测的方法
本专利技术属于视频异常事件检测
，能够对任意监控视频的画面进行分析，检测出其中存在的异常事件，涉及到视频图像处理的相关知识，具体涉及一种监控视频异常事件检测的方法。
技术介绍
近年来，公共场所的安全问题越来越受到人们的关注。恐怖袭击事件的频发，更促进人们将研究焦点汇聚在如何通过监控视频画面自动进行检测，并在异常事件发生时及时发出警报。通过设定标签，计算机可以完成“正常事件”与“异常事件”的判别。视频的异常事件检测根据其对标签的选择可以分为三种类型：全监督、半监督、无监督。全监督模型就是必须事先已知正常事件和异常事件的标签，通过建立二分类器完成二者的划分。半监督模型就是仅需要已知正常事件的标签，训练正常事件的模型，而异常事件无法通过此模型生成。无监督模型就是不需要知道任何标签，仅仅通过正常事件比异常事件更普遍这一特性进行模型的迭代，并进行事件是否异常的判断。目前在实际应用中，全监督模型应用面窄，无监督模型实现困难。相比之下，半监督模型最受欢迎，相关优秀算法有很多。如Vijay等人2010年在CVPR会议中发表了‘Anomalydetectionin本文档来自技高网...

【技术保护点】
一种监控视频异常事件检测的方法，其特征在于，步骤如下：(1)视频图像的特征提取在提取三维梯度特征时，首先，将每帧画面缩放到三种不同的尺寸，要求三种尺寸中较大尺寸的画面用于提取图像的局部信息，较小尺寸的画面用于提取图像的全局信息；然后，将三种尺寸的画面分割为大小相同的片区，并将每五帧对应区域的片区组成一个时空块，作为后续处理的最小单元；对于每个时空块，使用局部时空区域的动作信息来表示不均匀的局部时空动作模式，对每个时空块D的像素d，其时空梯度表示为：

【技术特征摘要】
1.一种监控视频异常事件检测的方法，其特征在于，步骤如下：(1)视频图像的特征提取在提取三维梯度特征时，首先，将每帧画面缩放到三种不同的尺寸，要求三种尺寸中较大尺寸的画面用于提取图像的局部信息，较小尺寸的画面用于提取图像的全局信息；然后，将三种尺寸的画面分割为大小相同的片区，并将每五帧对应区域的片区组成一个时空块，作为后续处理的最小单元；对于每个时空块，使用局部时空区域的动作信息来表示不均匀的局部时空动作模式，对每个时空块D的像素d，其时空梯度表示为：其中，x、y、t代表像素d的横向、纵向和时间维度；每个像素的时空梯度共同表示了时空块的动作模式，作为后续处理的基本特征，同时，视频的梯度分布建模为一个三维高斯分布N(μ,∑)，其中：式中：L为像素的总数目，则在每个局部位置l和时间t，局部动作模式是通过和进行表示；(2)视频特征筛选首先，对于原始提取的视频特征信息进行初步筛选，在不影响模型精度的情况下，根据自身需求设定筛选数目，从原始提取的视频特征信息中随机选取设定的筛选数目的数据信息；然后，采用主成分分析算法，进一步对筛选后的数据信息进行降维处理，降低数据冗余度，提取其中的主要信息，作为最终视频数据的特征；(3)模型参数学习本方法采用的是隐马尔可夫模型，表示为：λ＝(A,B,π)，其中，π为初始状态向量，A为状态转移矩阵，B为观测概率矩阵；将最终视频数据的特征作为观测结果的集合V＝{V1,...,VM}，其中包含所有可能的观测结果；采用K均值算法，将观测结果聚类到N个中心，隐马尔可夫模型的隐状态即表示为：Q＝{Q1,...,QN}；对于观测序列O＝{O1,...,OT}中的观测结果Oi，则：ai...

【专利技术属性】
技术研发人员：卢湖川，陈娇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21