一种基于模糊理论的异常行为检测方法技术

本发明专利技术属于计算机视觉领域，具体涉及一种基于模糊理论的异常行为检测方法，包括步骤一：使用YOLO获取目标类别与坐标位置，并计算目标物体与其他物体的交并比、目标的移动速度、物体中心位置及不同物体与目标物体的相对偏移角度；步骤二：建立模糊异常关联库，对目标进行异常判定；步骤三：根据步骤一中获取与计算的目标属性建立检测模型；步骤四：建立隶属度函数；步骤五：获取模糊判别公式，并使用PSO算法确定模糊判别公式的常数项系数；本方法具有对目标进行快速准确识别的能力，具有自适应性和鲁棒性。

An abnormal behavior detection method based on Fuzzy Theory

【技术实现步骤摘要】
一种基于模糊理论的异常行为检测方法
本专利技术属于计算机视觉领域，具体涉及一种基于模糊理论的异常行为检测方法。
技术介绍
目前物体目标运动智能分析是计算机视觉领域中最活跃的研究主题之一,其核心是利用图像处理、图像分析、计算机视觉等技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述；而传统的监控设备需要专门的人员去监测，这在实际中是一种成本的增加；其次，传统的监控设备大多需要人力不间断地去监测画面，实时查看有无异常情况的发生，这样的监测方式在耗费时间精力的同时还会有监测人员未捕捉到的异常行为发生；监控设备的异常报警以及对异常行为发生时的快处理也是需要关注的，而传统的监控设备大多不能在发生异常时快速做出处理，导致了处理的延误。与传统的监控设备进行比较，智能化监控系统不需要人力实时监测，能智能实现不间断地监控，并对监控到的信息进行存储，且对异常情况的响应时间短，能快速的做出反应，对人们的生活和社会的运作发展起到了积极促进的作用。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于模糊理论的异常行为检测方法。本专利技术要解决的技术问题通过以下技术方案实现：一种基于模糊理论的异常行为检测方法，包括：步骤一：使用YOLO获取目标类别与坐标位置，并计算目标物体与其他物体的交并比、目标的移动速度、物体中心位置及不同物体与目标物体的相对偏移角度；步骤二：建立模糊异常关联库，对目标进行异常判定；步骤三：根据步骤一中获取与计算的目标属性建立检测模型；步骤四：建立隶属度函数；步骤五：获取模糊判别公式，并使用PSO算法确定模糊判别公式的常数项系数。进一步的，所述步骤一具体方法为：使用Github上预先训练好的YOLO模型来对每帧图片进行检测，获取第一个集合为图片帧中所有物体类别的集合，获取第二个集合为图片帧中所有目标的坐标位置；目标物体的坐标格式信息为((Xmin，Ymin)，(Xmax，Ymax))，采用coco数据集中的标签内容，用数字来标记标签中的类别属性。进一步的，建立模糊异常关联库的具体步骤为：(1)扫描所有待检测视频帧，得到潜在频繁单向集{人}，{树}，{火车}，{自行车}，{轮船}；同时记录它们出现的次数，计算出各个单向集的支持度，设置最小的支持度与最大的支持度，即出现次数较少可以忽略的临界点值minSupport和出现次数较对可以直接判定为的临界点值maxSupport；(2)根据minSupport来删除非频繁单向集，获取非频繁单向集的集合，然后再根据maxSupport来删除频繁单向集，获取较频繁单向集的集合与频繁单向集的集合；(3)频繁单项集之间两两组合，得到潜在频繁二项集；(4)再次遍历所有待检测视频帧，计算出每个潜在频繁2二项集的支持度；(5)根据minSupport和maxSupport来删除非频繁二项集和频繁二项集，获取较频繁二项集的集合，非频繁二项集和频繁二项集；(6)通过不断迭代循环重复步骤2-5，直到不能够生成新的较频繁项集的集合，来求出所有满足minSupport和maxSupport的较频繁项集，得到三个模糊异常关联库集合。进一步的，建立检测模型的具体方法为：(1)将目标类别信息输入到模糊异常关联库中，目标物体置信度高于我们设置的minSupport，开始建立检测模型；(2)根据目标物体与其他物体的交并比、目标的移动速度、物体中心位置、不同物体与目标物体的相对偏移角度和距离在二维坐标图中构造物体信息。进一步的，所述隶属度函数的获取方法为：将目标在不同角度和不同中心距离处的异常取值作为模糊隶属度；把目标物体在某一角度范围及中心距离判定为正常事件概率用作正常行为的隶属度值；得出隶属度公式如下：w1为统计常量，θ为偏移角度；中心距离隶属度公式如下：w2为统计常量，Lr为中心距离。进一步的，获取模糊判别公式的具体方法为：根据模糊识别理论对目标物体与其他物体的交并比、目标的移动速度、物体中心位置及不同物体与目标物体的相对偏移角度和模糊隶属度函数进行处理：F(Ai)＝a1Arate+a2AV+a3f(x,w1)+a4f(x,w2)Ai代表不同的目标类别，F(Ai)的值越大，则说明样本的行为越正常。进一步的，所述PSO算法的具体步骤为：(1)初始化粒子群：给定粒子群大小为N的群体，并随机生成每个粒子的初始信息，即位置和速度。X＝[Xi,1,Xi,2,Xi,3,...Xi,D]i＝1,2...NV＝[Vi,1,Vi,2,Vi,3,...Vi,D]i＝1,2...N其中i代表第i个粒子，即种群的规模；而D表示粒子的维度，即需要求解的变量个数；(2)利用初始设的目标函数分别规定每个粒子的适应度值：Fintness[i]＝f([i])因而，所有粒子的适应度函数都可根据目标函数推导为：F(xi,1，xi,2，xi,3，xi,4)＝∑(gk-∑aiXi)2(3)将每次迭代后的适应度值分别与粒子的局部最佳先前位置pbest和全局最佳先前位置gbest进行比较，对全部粒子初始化个体最佳先前位置，以及整体最佳先前位置，即pbest＝Fitness[i]，gbest＝maxFitness[i]；(4)在进行每次迭代时，对每个粒子的位置和速度进行更新，并根据速度和位置的校正规则，对于超出所设定速度和位置范围的粒子进行校正，使之满足规定的范围。(5)对比所有粒子的适应度值，并选出当前粒子中的最好适应度值来替换局部的最佳先前位置pbest；若通过比较，有些粒子的最新位置好，那么就把全局最佳位置进行替换，以达到粒子新位置的适应度值最好，即就是粒子的最佳位置变为gbest。这样就更新了每一个粒子的个体最佳位置以及整体的全局最佳位置。(6)当迭代达到最大初始设置数时，算法结束。进一步的，粒子的位置和速度进行更新方法为：粒子i的位置变化速率表示为VI＝(vi1,vi2,...,viD)。那么，粒子i在经过t+1次迭代后速度的更新公式为：VI(t+1)＝wVI(t)+c1r1(PbI(t)-XI(t))+c2r2(gb(t)-XI(t))则第i个粒子更新后的位置公式为：XI(t+1)＝XI(t)+VI(t+1)其中t表示当前一代；w称为惯性权重参数，随t变化而变化；r1和r2是均匀分布在0和1范围内的两个随机数；c1和c2是两个加速度常数。与现有技术相比，本专利技术的有益效果：在不同的应用场景下，由于复杂背景的影响，本算法具有对目标进行快速准确识别的能力；当应用场景发生变化时，本方法能迅速根据新的场景搭建模型并对新场景下的异常时间进行检测，同时算法应具有自适应性和鲁棒性。附图说明图1是目标检测模型二维坐标示意图。图2是PSO算法流程示意图。图3是异常行为示意图。...

【技术保护点】
1.一种基于模糊理论的异常行为检测方法，其特征在于：包括：/n步骤一：使用YOLO获取目标类别与坐标位置，并计算目标物体与其他物体的交并比、目标的移动速度、物体中心位置及不同物体与目标物体的相对偏移角度；/n步骤二：建立模糊异常关联库，对目标进行异常判定；/n步骤三：根据步骤一中获取与计算的目标属性建立检测模型；/n步骤四：建立隶属度函数；/n步骤五：获取模糊判别公式，并使用PSO算法确定模糊判别公式的常数项系数。/n

【技术特征摘要】
1.一种基于模糊理论的异常行为检测方法，其特征在于：包括：
步骤一：使用YOLO获取目标类别与坐标位置，并计算目标物体与其他物体的交并比、目标的移动速度、物体中心位置及不同物体与目标物体的相对偏移角度；
步骤二：建立模糊异常关联库，对目标进行异常判定；
步骤三：根据步骤一中获取与计算的目标属性建立检测模型；
步骤四：建立隶属度函数；
步骤五：获取模糊判别公式，并使用PSO算法确定模糊判别公式的常数项系数。


2.根据权利要求1所述的一种基于模糊理论的异常行为检测方法，其特征在于：所述步骤一具体方法为：使用Github上预先训练好的YOLO模型来对每帧图片进行检测，获取第一个集合为图片帧中所有物体类别的集合，获取第二个集合为图片帧中所有目标的坐标位置；目标物体的坐标格式信息为((Xmin，Ymin)，(Xmax，Ymax))，采用coco数据集中的标签内容，用数字来标记标签中的类别属性。


3.根据权利要求1所述的一种基于模糊理论的异常行为检测方法，其特征在于：建立模糊异常关联库的具体步骤为：
(1)扫描所有待检测视频帧，得到潜在频繁单向集{人}，{树}，{火车}，{自行车}，{轮船}；同时记录它们出现的次数，计算出各个单向集的支持度，设置最小的支持度与最大的支持度，即出现次数较少可以忽略的临界点值minSupport和出现次数较对可以直接判定为的临界点值maxSupport；
(2)根据minSupport来删除非频繁单向集，获取非频繁单向集的集合，然后再根据maxSupport来删除频繁单向集，获取较频繁单向集的集合与频繁单向集的集合；
(3)频繁单项集之间两两组合，得到潜在频繁二项集；
(4)再次遍历所有待检测视频帧，计算出每个潜在频繁2二项集的支持度；
(5)根据minSupport和maxSupport来删除非频繁二项集和频繁二项集，获取较频繁二项集的集合，非频繁二项集和频繁二项集；
(6)通过不断迭代循环重复步骤2-5，直到不能够生成新的较频繁项集的集合，来求出所有满足minSupport和maxSupport的较频繁项集，得到三个模糊异常关联库集合。


4.根据权利要求1所述的一种基于模糊理论的异常行为检测方法，其特征在于：建立检测模型的具体方法为：
(1)将目标类别信息输入到模糊异常关联库中，目标物体置信度高于我们设置的minSupport，开始建立检测模型；
(2)根据目标物体与其他物体的交并比、目标的移动速度、物体中心位置、不同物体与目标物体的相对偏移角度和距离在二维坐标图中构造物体信息。


5.根据权利要求1所述的一种基于模糊理论的异常行为检测方法，其特征在于：所述隶属度函数的获取方法为：将目标在不同角度和不同中心距离处的异常取值作为模糊隶属度；把目标物体在某一角度范围及中心距离判定为正常事件概率用作正常行为的隶属度值；得出隶属度公式如下：

...

【专利技术属性】
技术研发人员：闫允一，畅璐强，宫江雷，韩笑冬，许宁舟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61