【技术实现步骤摘要】
一种基于黎曼流形特征和LSTM网络相结合的交通异常事件检测方法
本专利技术涉及视频监控领域，首次将黎曼流形应用于交通异常事件检测领域。
技术介绍
交通异常事件检测的主要目的是自动的在交通监控视频中检测当前监控的图像中是否存在如逆行、违规变道、闯红灯等行为，并可以定位其发生的具体位置。交通异常检测技术能够帮助我们更好的实施交通监控，及时有效的通知相关人员进行突发情况的处理，省去了传统监控人员的大量人工操作，可以大幅提升监控效率。此外，通过对事故多发路段进行监控和分析，还可以推断其事故易发的原因，从而通过城市规划手段进行优化处理，减少有关路段的事故发生频率。由于交通异常事件涉及大量的运动异常和外观异常，这些异常不仅反映在外观、运动的变化上，还体现在其变化率上，传统的特征提取方法，SF(SocialForce，社会力)、DT(Densetrajectory，稠密轨迹)等更加关注于单纯的外观或运动，而不能很好的反映外观、运动的变化率。为此，选择交通视频监控领域作为研究重点，针对大量交通监控视频构建大规模有标注数据库，...
【技术保护点】
1.一种基于黎曼流形特征和LSTM网络相结合的交通异常事件检测方法，其特征在于，所述方法包括以下步骤：/n在训练阶段，使用正常监控视频作为训练集，将视频帧划分为若干不重叠的子区域，对相同位置不同时刻的每个子区域提取HOG和HOF特征，其中HOG将作为子区域的外观特征，HOF将作为子区域的运动特征，相同位置不同时刻的特征将用来求解特征的流形表示。同时，相同位置处不同时刻的特征将用于训练一个单层单方向的LSTM网络，用于预测当前时刻该区域的特征。而且，预测的特征也将使用同种方法得到预测特征的流形表示，LSTM网络的训练目标为使得预测的HOG、HOF特征以及特征的流形表示与实际的...
【技术特征摘要】
1.一种基于黎曼流形特征和LSTM网络相结合的交通异常事件检测方法，其特征在于，所述方法包括以下步骤：
在训练阶段，使用正常监控视频作为训练集，将视频帧划分为若干不重叠的子区域，对相同位置不同时刻的每个子区域提取HOG和HOF特征，其中HOG将作为子区域的外观特征，HOF将作为子区域的运动特征，相同位置不同时刻的特征将用来求解特征的流形表示。同时，相同位置处不同时刻的特征将用于训练一个单层单方向的LSTM网络，用于预测当前时刻该区域的特征。而且，预测的特征也将使用同种方法得到预测特征的流形表示，LSTM网络的训练目标为使得预测的HOG、HOF特征以及特征的流形表示与实际的HOG、HOF特征以及特征的流形表示足够接近。
在测试阶段，将测试视频按同样的方式划分为不重叠的子区域，同样提取测试样本的HOG和HOF特征，求解相同位置不同历史时刻特征组成的流形表示。并将历史时刻同一位置不同时刻的特征送入训练好的LSTM网络的各个时间步中，预测当前时刻该区域的特征，并构成预测特征的流形表示，最终对当前区域计算异常得分，判断当前区域是否包括异常事件。
2.根据权利要求1所述的基于黎曼流形特征和LSTM网络相结合的交通异常事件检测方法，其特征在于，所述的提取HOG和HOF作为视频帧子区域外观特征和运动特征的步骤表示为：
为了计算HOG特征，首先计算当前子区域每个像素的梯度大小和方向，然后根据每个像素的梯度方向划分到若干个统计窗口内，在本方法中划分为16个统计窗口内。
3.根据权利要求1所述的基于黎曼流形特征和LSTM网络相结合的交通异常事件检测方法，其特征在于，所述的不同时刻的特征的流形表示的计算方法的步骤表示为：
取同一位置连续N时刻(本发明中取N＝20)的子区域所提取的特征组成矩阵L∈RK×N。假定N个特征之间的距离在原始流形中的距离矩阵为D∈RN×N，期望可以找到一个低维矩阵Z∈RM×N表示特征矩阵L。对特征矩阵L执行去中心化后使用迪杰斯特拉算法得到距离矩阵D，假设第i个特征和第j个特征在原始流形中的距离为dist[i，j]，而在Z中为||zi-zj||，其中zi为Z中的第i行的元素。为保证降维后特征点之间的相对位置不发生变化，有：
dist[i，j]＝||zi-zj||
令B＝ZTZ，则可得：可得：(1)(2)(3)最后可得：
对B进行奇异值分解，并取前q个特征值和特征向量得：B*＝V*Λ*1/2Λ*1/2V*T＝Z*Z*T。得到降维后的的Z*＝Λ*1/2V*T，Z*中的每一列对应了一个时刻某个补丁的HOG特征或者HOF特征在低维空间上的映射。
4.根据权利要求1所述的基于黎曼流...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。