一种视觉图像异常行为检测方法技术

一种视觉图像异常行为检测方法，包括以下步骤：首先，针对图像中的复杂背景，提出一种多帧差分叠加算法来减弱或消除背景中噪声，经过滤波后获得目标特征较为完整的图像；然后，给出特征提取方法，从单帧图像中提取目标的运动信息，对图像中的目标实施特征提取，建立正常行为模型库；最后，提出一种基于朴素贝叶斯和联合概率密度的异常检测方法，通过计算联合概率密度函数来判断异常是否发生，然后与标准库中的阈值进行比较，再通过分类器将小于阈值的视为异常

【技术实现步骤摘要】
一种视觉图像异常行为检测方法


[0001]本专利技术属于电子信息领域异常检测方向
。
具体涉及一种视觉图像异常行为检测方法
。

技术介绍

[0002]近年来随着城市人口日益增多
,
城市中车站
、
商场等场所人群密度越来越大
,
一旦人群中发生异常行为
,
极大可能会对人们造成生命危险或者经济损失
,
甚至造成极为严重的公共安全事件
。
视频监控和智能摄像在我们生活中随处可见，已经成为安全检测系统必不可少的一部分，但是传统的视频监控主要还是依靠人力时刻观察监控画面
,
从而实现对人群异常行为的判定
,
这类方法不仅耗费人力
,
而且对于异常行为的判定具有一定的主观性
。
因此
,
急需一种针对视频图像中的异常行为进行智能检测的系统，能够从视频图像数据流中准确判别出行为发生的始末
、
异常行为预测
、
行为在线检测等多方面问题
。

技术实现思路

[0003]本专利技术要解决的是视觉图像中异常行为检测的问题，随着如今时代的进步，计算机技术的推动以及人工智能的快速发展，智能监控检测系统在安全防范中发挥着巨大的作用，最重要的是进行异常识别，实现了提醒与报警的功能，及时排查可能存在的安全隐患
。
本专利技术给出了一种图像异常行为检测方法，利用多帧差分叠加算法来减弱或消除背景中噪声；建立了正常行为模型；给出了特征提取方法；提出了基于朴素贝叶斯和联合概率密度的异常检测方法
。
[0004]为了达到上述目的，本专利技术的技术方案是：视觉图像异常行为检测方法，其步骤包括：
[0005]步骤一，针对图像中的复杂背景，提出一种多帧差分叠加算法来减弱或消除背景中噪声，经过滤波后获得目标特征较为完整的图像；
[0006]步骤二，给出特征提取方法，从单帧图像中提取目标的运动信息，利用灰度突变算法对图像中的目标实施特征提取，建立正常行为模型库；
[0007]步骤三，提出一种基于朴素贝叶斯和联合概率密度的异常检测方法，通过计算联合概率密度函数来判断异常是否发生，然后通过分类器与标准库中的阈值进行比较，将小于阈值的视为异常
。
具体实施方式
[0008]为了使本专利技术的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步的详细说明
。
应当理解，此处所描述的具体实施例子仅仅用以解释本专利技术，并不用于限定专利技术
。
[0009]异常行为检测方法，其步骤包括：
[0010]步骤一，针对图像中的复杂背景，提出一种多帧差分叠加算法来减弱或消除背景
中噪声，经过滤波后获得目标特征较为完整的图像
。
[0011]为了准确识别运动中的目标，单帧处理是不够的，需要对目标进行增强的干扰抑制，由于目标点在帧之间移动，具有很强的相关性，因此视频图像可以进行多帧叠加，在叠加的最后一帧，目标点表现为强关联点，但噪声仍然有可能淹没目标的运动轨迹，因此，本专利技术提出了一种多帧差分叠加算法来减弱或消除噪声的影响，通过使用数学和形态学的组合，计算局部极大值点和最小值点，减少后续处理和误报率的数量
。
该算法通过对滤波后的图像进行处理，进行多个帧之间的叠加
。
[0012]运动目标由于其移动的特性，会在叠加的时候表现出很强的关联性的点，在高频点处会有噪声，但是由于随机性会出现偏移，非偏移部分就会出现关联度差的随机性干涉点分布
。
例如，对单帧图像用开放操作或者是封闭操作
P
＝
y
·
B
‑
y
进行滤波，检测出图像中变化较大的部分，即相当于高频分量，并可以滤除图像灰度值变化相对平坦的地方，相对于低频分量，利用这种变换对单帧图像进行滤波，滤除低频分量，相当于滤除了大面积背景，留下高频部分
。
其中，公式中
y
为图像灰度帧，
B
为结构，表示开放操作，
·
表示封闭操作
。
该算法是包括选择运动目标点，奇帧和偶帧差的图像序列
。
如式子：其中，
y
i
是图像序列中的第
i
帧，
y
z
是图像序列中最后一帧的叠加
。
[0013]多帧叠加后，目标进一步增强，大面积背景可以进一步抑制，但是噪声点也可能会增强，因此，可以通过对重叠帧部分进行阈值处理，可以用下面的公式：
[0014][0015]其中，
δ
是多次实验得到的阈值，取
M
，
N
是叠加帧的图像大小
。
经过处理之后，目标点会进一步增强，随机噪声点会得到进一步的抑制或者消除
。
[0016]步骤二，给出特征提取方法，从单帧图像中提取目标的运动信息，利用灰度突变算法对图像中的目标实施特征提取，建立正常行为模型库
。
[0017]图像特征是图像局部特性不连续性的反映，它标志着一个区域的终结和另一个区域的开始
。
利用一阶和二阶求导方法可以很方便的检测到图像局部特性的不连续效果
。
特征的检测可以借助空域微分算子利用卷积来实现，也可以利用离散
z
变换做卷积来实现
。
这里，利用给定的数字矩阵作模板，对图像作离散卷积，对图像目标实施特征提取，设提取的算子为两个
3*3
的矩阵算子，分别作离散卷积，得到横向
G
x
和纵向
G
y
的梯度值，如果两个方向总的梯度值大于某一个阈值
δ
，则认为该点为特征点做一标注
。
如果两个方向总的梯度值大于某一个阈值
δ
，则认为该点为特征点做一标注
。
对图像中的目标提取方法如下：
[0018][0019][0020]其中，
A
和
B
是模板，
I
是图像
。
计算图像的梯度值，即图像的每一个像素的横向及纵向特征值通过以下公式来计算该点特征的大小：通常，计算图像近似梯度值，为了提高效率使用不开平方的近似值如下：
|G|
＝
|G
x
|+|G
y
|
，然后可用以下公式计算梯度方向：给定一个阈值
δ
，当
G
＞
δ
，则认为该点特征值为边缘点的特征值，把这点的特征值信息储存
。
然后，把平坦区域的像素特征值屏蔽，只显示储存的特征像素值，这样，特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种视觉图像异常行为检测方法，其特征在于：
S1
，针对图像中的复杂背景，提出一种多帧差分叠加算法来减弱或消除背景中噪声，经过滤波后获得目标特征较为完整的图像；
S2
，给出特征提取方法，从单帧图像中提取目标的运动信息，利用灰度突变算法对图像中的目标实施特征提取，建立正常行为模型库；
S3
，提出一种基于朴素贝叶斯和联合概率密度的异常检测方法，通过计算联合概率密度函数来判断异常是否发生，然后通过分类器与标准库中的阈值进行比较，将小于阈值的视为异常
。2.
根据权利要求1所述的一种视觉图像异常行为检测方法，其特征在于，
S1
中一种多帧差分叠加算法来减弱或消除噪声的影响，通过使用数学和形态学的组合，计算局部极大值点和最小值点，减少后续处理和误报率的数量
。
该算法通过对滤波后的图像进行处理，进行多个帧之间的叠加，该算法是包括选择运动目标点，奇帧和偶帧差的图像序列
。
如式子：其中，
y
i
是图像序列中的第
i
帧，
y
z
是图像序列中最后一帧的叠加；多帧叠加后，目标进一步增强，大面积背景可以进一步抑制，但是噪声点也可能会增强，因此，可以通过对重叠帧部分进行阈值处理，可以用下面的公式：其中，
δ
是多次实验得到的阈值，取
M
，
N
是叠加帧的图像大小
。
经过处理之后，目标点会进一步增强，随机噪声点会得到进一步的抑制或者消除
。3.
根据权利要求1所述的一种视觉图像异常行为检测方法，其特征在于，
S2
的具体过程如下：对图像目标实施特征提取，设提取的算子为两个
3*3
的矩阵算子，分别作离散卷积，得到横向
G
x
和纵向
G
y
的梯度值，如果两个方向总的梯度值大于某一个阈值
δ
，则认为该点为特征点做一标注
。
对图像中的目标提取方法如下：对图像中的目标提取方法如下：这里，
A
和
B
是模板，
I
是图；计算图像的梯度值，即图像的每一个像素的横向及纵向特征值通过以下公式来计算该
点特征的大小：通常，计算图像近似梯度值，为了提高效率使用不开平方的近似值如下：
|G|
＝
|G
x
|+|G
y
|
ꢀꢀꢀꢀꢀꢀꢀ
(6)
，然后可用以下公式计算梯度方向：给定一个阈值
δ
，当
G
＞
δ
，则认为该点特征值为边缘点的特征值，把这点的特征值信息储存；然后，把平坦区域的像素特征值屏蔽，只显示储存的特征像素值，这样，特征边缘就提取出来了；在给定目标信息提取时，检测其运动速度
v、
当前位置
l、
运动方向
o、
成像高度
h、
灰度均值
u
和方差
σ
，按照如下方法创建参考模板模型
:
以目标位置的中心为中心，用帧时间与目标在成像平面内的投影速度的乘积在第一半圆区域内进行搜索，通过改变渐变次数来假设阈值的次数变化，对于灰色图像中宽度和图像的高度方向
,
如果两个方向变化的数量小于或等于
2,
帧时间延长至它至少在一个方向的数量三倍或更多，然后
,
以圆心为起点
,
计算连续三个灰度之间的距离变化
d1和
d2,
并采取目标运动振幅和目标在一个框架的成像宽度
,
其振幅和宽度为当时的运动特性
S1和
S2的总和
。
通过灰度变换确定目标的位置
L
，并计算运动方向
、
速度和成像高度
。
半圆区域内目标的灰度均值和方差是另外两个特征参数，取后续图像处理所用的主要特征向量
V
作为标准特征向量
。
根据目标的运动信息，可以得到正常行为状态模型如下
:
其中，
L
i
(k)
为前一帧到当前帧的运动状态转移矩阵，需要选择合适的转移模型
。
是前一帧的状态估计，是当前帧的估计状态；对于当前帧的状态，分解目标的特征
。
分解方法如下：设它可以表示为其中是
n
维的通用讨论域，是目标的特征点系数，
ψ
n
(2
j
t
‑
l)
是感兴趣区域内的图像，特征分解系数是：其中...

【专利技术属性】
技术研发人员：吴青娥，陈虎，周林涛，鲁迎波，王文静，钱晓亮，余遥，吴楠鹏，常帅帅，姜轶博，曹书源，李鹏飞，黄澳，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：