基于关键区域特征学习的视频中异常行为检测方法技术

本发明专利技术公开了一种基于关键区域特征学习的视频中异常行为检测方法，包括：将视频帧序列划分为若干个的时空视频块，并通过关键区域检测算法检测出可能出现异常的时空视频块；利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征；利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常。该方法可以自动检测视频中异常行为的场景，具有检测速度快，稳定性高的优点。

Detection of abnormal behavior in video based on key region feature learning

The present invention discloses a kind of abnormal behavior study regional characteristics of key video detection methods, including: Based on a sequence of video frames are divided into a plurality of space-time video blocks, and the key region detection algorithm to detect possible temporal video blocks abnormal; since the encoder feature extraction module to extract every possible feature space the abnormal block based video using the trained; using Mahalanobis distance classifier based on feature on the basis of determining whether the corresponding spatio-temporal video block is abnormal in extraction. This method can automatically detect the scene of abnormal behavior in video, which has the advantages of fast detection speed and high stability.

【技术实现步骤摘要】
基于关键区域特征学习的视频中异常行为检测方法
本专利技术涉及计算机视觉
，尤其涉及一种基于关键区域特征学习的视频中异常行为检测方法。
技术介绍
视频中异常行为检测是计算机视觉领域中的一个重要问题，用摄像头捕获到目标区域视频信息，算法需要自动检测出视频中不符合常规模式的行为(违反交通规则，打架斗殴，违法偷窃等)。现有方法主要分为三种类型：(1)基于轨迹分析的方法。使用目标跟踪的算法得到视频中运动目标的轨迹图，之后运用特定的轨迹分析方法来分析某个轨迹是否属于异常轨迹，这类方法只能在轨迹层分析速度、方向等异常，忽略了场景信息。(2)基于特征提取的方法。这类算法核心思想是提取到能表征视频内容的核心特征，之后在提取到的特征的基础上分析是否属于异常行为。这类方法可以分为区域特征学习和全局特征学习的方法，现有的方法中，前者大多在所有视频块上建模，采用的一般为人为设计特征，不具有针对性。后者需要处理复杂的视频动态，对模型复杂度要求很高。(3)基于行为建模的方法。在小的视频块上建立运动模型，在该模型下出现概率低的行为被归类为异常。这类方法主要缺陷是行为模式复杂多样，难以建立有效模型。
技术实现思路
本文档来自技高网...

【技术保护点】
一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，包括：将视频帧序列划分为若干个的时空视频块，并通过关键区域检测算法检测出可能出现异常的时空视频块；利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征；利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常。

【技术特征摘要】
1.一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，包括：将视频帧序列划分为若干个的时空视频块，并通过关键区域检测算法检测出可能出现异常的时空视频块；利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征；利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常。2.根据权利要求1所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，所述通过关键区域检测算法检测出可能出现异常的时空视频块包括：采用灰度统计直方图作为统计特征，利用cosine距离来度量所考察时空视频块和它周围时空视频块之间的相似度，计算公式如下：其中，p1表示所考察时空视频块的统计特征，p2表示所考察时空视频块周围所有时空视频块的统计特征；在灰度统计直方图的基础上采用熵来度量所考察时空视频块的分布多样性，公式如下：其中，k为所考察时空视频块的灰度区间像素数目，p(i)表示第i个灰度区间像素点占总像素点的比例；利用下式计算每一个时空视频块的得分，将得分高于预设值的时空视频块作为可能出现异常的时空视频块：Score＝E-λ·SIM；其中，λ为平衡系数。3.根据权利要求1所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，所述利用训练好的基于自编码器的特征提取模块来提取每一可能出现异常的时空视频块的特征包括：将每一可能出现异常的时空视频块的特征输入至训练好的基于自编码器的特征提取模块，获得的中间隐层的输出即为提取到的特征。4.根据权利要求1所述的一种基于关键区域特征学习的视频中异常行为检测方法，其特征在于，所述利用基于马氏距离的分类器在提取到特征的基础上判断相应时空视频块是否是异常包括：计算特征与训练样本的马氏距离，进而判断相应时空视频块是否是异常，表示为：f(x)＝(x-μ)T∑-1(x-μ)；其中，μ为训练样本特征均值，∑为相应的协方差矩阵，x为任一可能...

【专利技术属性】
技术研发人员：杨文飞，刘斌，俞能海，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34