一种交通监控视频的异常检测方法技术

本发明专利技术公开了一种交通监控视频的异常检测方法，属于模式识别技术领域。本发明专利技术所述方法用隐马尔可夫模型来描述交通流的正常模式，从而识别出异于正常模式的异常事件。正常状态下的视频序列内，光流的方向与大小的变化具有整体稳定性，用HMM进行建模。在异常事件发生时，光流场会产生明显的变化。对正常的模式进行学习，对于与模型不匹配的样本即可以分类为非正常样本即异常视频序列。本发明专利技术所述方法场景适应性强，模型训练成本低且具备实时运行性。

【技术实现步骤摘要】
一种交通监控视频的异常检测方法
本专利技术属于模式识别
，具体涉及一种交通监控视频的异常检测方法。
技术介绍
近年来基于计算机视觉的机器学习方法被广泛的应用于交通异常检测中，主要是因为基于视频的异常检测具有易安装、低成本、即时性等特点。仅仅通过交通关键路口的摄像监控视频数据，无需人工干预，便可以对异常事件的发生进行检测甚至预测，从而预防交通事故的发生。隐马尔可夫模型是模式识别中的重要工具，是一个具有双层结构的随机过程模型。它具有强大的时间序列建模能力，在机器学习任务中具有独特的优势，主要体现在整体和局部都具备平移不变性。通过联系上下文信息建立相邻节点的关系，利用未来、过去节点的独立性，减少了模型的复杂度。作为马尔可夫理论的重要分支，隐马尔可夫模型具有扎实的理论支撑，在实际领域于也有广泛的应用，如语音识别、手势识别、信号处理等。目前，在基于视频的交通异常检测方法中，根据特征提取的不同可分为如下种类：(1)基于光流的方法，优点在于物理意义直观，但于光流变化不大的异常事件(如远距离的监控视频)效果较差；(2)基于车辆运动轨迹的方法，随着时间增长，模型对于车流模式的学习越来越准确，但缺点是不能实时检测；(3)基于车辆运动矢量的方法，需要对目标进行稳定地追踪，不适合交通状况复杂的场景；(4)基于自定义描述子的方法，该方法具有很强的灵活性，但模型复杂度高、训练成本大。文献“ImageSequencesBasedTrafficIncidentDetectionforSignaledIntersectionsUsingHMM”公开了一种针对十字路口交通场景的交通异常事件检测算法。文献主要利用了帧差法得到的图像作为特征，且对东西、西东、北南、南北四个车流方向不同的样本分别进行训练。实验证明，系统对于车辆事故的准确率能达到74％，但是该方法对场景的适应性较差，即仅适合固定视角的十字路口。文献“Fastanomalydetectionintrafficsurveillancevideobasedonrobustsparseopticalflow”以光流为特征，关注视频帧中划定的特定区域的光流变化。这样的方法可以检测到交通场景中的各种异常事件，而不仅限于车辆的碰撞，但是其复杂的模型结构加大了训练的成本，且在不同的视频样本里还需人为划定检测区域。文献“Adaptivevideo-basedalgorithmforaccidentdetectiononhighways”公开了一种基于车辆运动轨迹的交通异常检测方法。文献对不同的车辆、行人等物体的移动轨迹进行收集并分类。该方法的优点在于，当测试样本即新轨迹被判定为非异常样本时，该样本便会加入以训练好的模型，使得模型会不断的自动完善。但是，由于轨迹的固定性，某一个训练好的模型在另一个场景下并不适用，且无法达到实时性要求。文献“Trajectory-basedanoma1ousbehaviourdetectionforintelligenttrafficsurveillance”公开了在高速公路上的交通异常检测，首先进行车辆目标跟踪，然后以目标的运动矢量为特征训练模型，取得了较好的检测效果。该方法有效的重要前提是稳定的目标追踪，因此它对目标少而分散的场景(如高速公路)极其依赖。在交通流量较大的场景中，车辆等物体往往会产生重叠，这就会给跟踪算法造成极大的干扰，比如丢失、质心改变等。综上，对于交通监控视频中的异常检测，需要解决现有方法存在的问题，如场景适应性差、非实时性、模型复杂度高等。
技术实现思路
本专利技术的目的是克服上述现有技术的不足，提供一种交通监控视频的异常检测方法。本专利技术所提出的技术问题是这样解决的：一种交通监控视频的异常检测方法，包括以下步骤：步骤1.视频分段将一段视频序列Z分为等长的L段，即Z＝{z1，z2，...，zL}，其中每一段的长度为1秒，1≤l≤L；第l个视频段表示为zl＝{Il1，Il2，...，Ilt，...IlT}，包含T个视频帧，其中Ilt表示第t帧的特征，1≤t≤T；步骤2.光流提取选取Lucas-Kanade光流作为描述交通流的特征；对于第l个视频段的第t帧，其特征为Ilt＝{p1，p2，...，pa}，即该帧图像中存在q个稀疏光流，其中pi表示第i个光流向量，1≤i≤q；假设当前第t帧某一角点的坐标为(xt，yt)，若其满足下式，则将该角点删除：|xt-xt-1|+|yt-yt-1|＜2步骤3.交通流主方向首先找出光流的主方向，并以此为基底建立坐标系，然后将所有的光流投影到新的坐标系上；步骤4.坐标变换首先找出光流的主方向作为主轴，再以该方向的正交方向作为副轴；对于某一帧的q个光流，求解协方差矩阵的特征值与特征向量，取最大特征值对应的特征向量为主轴方向；步骤5.连续隐马尔可夫模型连续隐马尔可夫模型有五个参数，即其中，πt为第t帧的状态概率，为由状态转移至状态的概率，1≤n1≤N，1≤n2≤N，n1≠n2，rnm为第m个高斯分布中第n个高斯分布的权重，μnm为m个高斯分布中第n个高斯分布的均值，∑nm为m个高斯分布中第n个高斯分布的方差，1≤n≤N，1≤m≤M；采用N个M核的GMM，其中N是隐状态数，M是高斯混合模型的高斯分布分量数；在CHMM中，对于第t帧，隐状态qn生成光流的平均方向ot的概率Bn(ot)符合高斯混合分布；高斯混合模型是由M个高斯分布混合而成，即：其中，cnm为加权系数，N(μim，∑im)表示以μim为均值、∑im为方差的高斯分布；上式中，bnm(ot)＝N(ot；μnm，∑nm)表示状态qn对应的GMM的第m个高斯分布分量，即：步骤6.高斯混合模型在原始坐标系下，将所有的光流进行原点对齐；然后对所有的光流求均值，记为第t帧的均值光流μt；对于一段视频序列的光流采取相同的方式，可得到均值光流集合{μ1，μ2，...，μT}。步骤7.HMM-GMM模型训练步骤7-1.使用K-means聚类初始化GMM的参数，即rnm，μnm，∑nm；步骤7-2.使用B-W算法对CHMM的所有参数进行训练，其中训练样本是正常模式下的视频段；步骤8.异常事件检测步骤8-1.求CHMM模型对测试样本即视频段的似然概率；步骤8-2.以似然满足高斯分布为依据，计算异常检测阈值；步骤8-3.将似然概率与阈值对比进行异常事件检测。阈值计算的具体过程为：步骤8-2-1.根据正常训练样本，估计均值与方差，建立高斯模型：训练样本的对数似然概率为L＝{l1，l2，...，lt，...，lT}，计算均值与方差：得到正常样本的似然概率的高斯分布N(μl，∑l)；步骤8-2-2.在交叉验证集上评估，根据查准率、查全率等指标选择最佳阈值δ*：对于某个阈值δ，在交叉验证集上计算准确率P与召回率R：其中TP表示真正例，即正样本被预测为正样本的数量；FP表示假正例，即负样本被预测为正样本的数量；FN表示假反例，即正样本被预测为负样本的数量；根据准确率与召回率，画出P-R曲线，根据曲线选择最优的阈值δ*；阈值是个经验值，一般取0.32。步骤8-3中，对于测试集数据，将似然概率与阈值相比较：假设有训练好的CHMM模型λ，对于一个视频段O＝{o1，o2，...，oT}，计算似然概本文档来自技高网...

【技术保护点】
1.一种交通监控视频的异常检测方法，其特征在于，包括以下步骤：步骤1.视频分段将一段视频序列Z分为等长的L段，即Z＝{z1，z2，...，zL}，1≤l≤L；第l个视频段表示为zl＝{Il1，Il2，...，Ilt，...IlT}，包含T个视频帧，其中Ilt表示第t帧的特征，1≤t≤T；步骤2.光流提取选取Lucas‑Kanade光流作为描述交通流的特征；对于第l个视频段的第t帧，其特征为Ilt＝{p1，p2，...，pa}，即该帧图像中存在q个稀疏光流，其中pi表示第i个光流向量，1≤i≤q；假设当前第t帧某一角点的坐标为(xt，yt)，若其满足下式，则将该角点删除：|xt‑xt‑1|+|yt‑yt‑1|＜2步骤3.交通流主方向首先找出光流的主方向，并以此为基底建立坐标系，然后将所有的光流投影到新的坐标系上；步骤4.坐标变换首先找出光流的主方向作为主轴，再以该方向的正交方向作为副轴；对于某一帧的q个光流，求解协方差矩阵的特征值与特征向量，取最大特征值对应的特征向量为主轴方向；步骤5.连续隐马尔可夫模型连续隐马尔可夫模型有五个参数，即

【技术特征摘要】
1.一种交通监控视频的异常检测方法，其特征在于，包括以下步骤：步骤1.视频分段将一段视频序列Z分为等长的L段，即Z＝{z1，z2，...，zL}，1≤l≤L；第l个视频段表示为zl＝{Il1，Il2，...，Ilt，...IlT}，包含T个视频帧，其中Ilt表示第t帧的特征，1≤t≤T；步骤2.光流提取选取Lucas-Kanade光流作为描述交通流的特征；对于第l个视频段的第t帧，其特征为Ilt＝{p1，p2，...，pa}，即该帧图像中存在q个稀疏光流，其中pi表示第i个光流向量，1≤i≤q；假设当前第t帧某一角点的坐标为(xt，yt)，若其满足下式，则将该角点删除：|xt-xt-1|+|yt-yt-1|＜2步骤3.交通流主方向首先找出光流的主方向，并以此为基底建立坐标系，然后将所有的光流投影到新的坐标系上；步骤4.坐标变换首先找出光流的主方向作为主轴，再以该方向的正交方向作为副轴；对于某一帧的q个光流，求解协方差矩阵的特征值与特征向量，取最大特征值对应的特征向量为主轴方向；步骤5.连续隐马尔可夫模型连续隐马尔可夫模型有五个参数，即其中，πt为第t帧的状态概率，为由状态转移至状态的概率，1≤n1≤N，1≤n2≤N，n1≠n2，rnm为第m个高斯分布中第n个高斯分布的权重，μnm为m个高斯分布中第n个高斯分布的均值，∑nm为m个高斯分布中第n个高斯分布的方差，1≤n≤N，1≤m≤M；采用N个M核的GMM，其中N是隐状态数，M是高斯混合模型的高斯分布分量数；在CHMM中，对于第t帧，隐状态qn生成光流的平均方向ot的概率Bn(ot)符合高斯混合分布；高斯混合模型是由M个高斯分布混合而成，即：其中，cnm为加权系数，N(μim，∑im)表示以μim为均值、∑im为方差的高斯分布；上式中，bnm(ot)＝N(ot；μnm，∑nm)表示状态qn对应的GMM的第m个高斯分布分量，即...

【专利技术属性】
技术研发人员：陈鹏，武德安，黄文彬，吴磊，
申请(专利权)人：电子科技大学，成都弗蒙思辰科技有限公司，
类型：发明
国别省市：四川,51