基于群体环境异常行为的检测方法技术

该发明专利技术属于计算机运动图像识别及监测技术领域中的群体环境异常行为检测方法，包括检测模型建立中的划分视频单元子序列，特征提取及样本数据库的建立，建立Ｍｕｌｔｉ－ＨＭＭ模型；异常行为检测中的从当前监控场景的视频序列中提取各观察值序列，确定观察值序列对应的最佳隐马尔可夫链，异常行为判决及警告。该发明专利技术由于从整体角度、在频域上随时间变化准确而快速地提取视频序列的动态变化特征，并根据所建模型自动、实时地检测群体环境下的异常行为，其准确率可达９０％左右；因而具有对当前监控场景的行为特征提取准确、快速，可广泛用于对群体环境下发生的异常行为进行检测，且检测的效率、准确性及可靠性高等特点。

【技术实现步骤摘要】

本专利技术属于计算机运动图像的模式识别及监控处理
，特别是一种采用高 频时空特征的特征提取、Multi-HMM(多链隐马尔可夫模型)异常行为检测等方法，对群体 环境中异常行为进行检测的方法。
技术介绍
群体环境下的监控场景通常包含行人比较多，若监控场景中发生异常事件，比如 打架、群殴、騷乱等，不仅危害公共财产安全和人身安全，而且可能将问题激化，对社会和谐 发展带来负面影响。因此，对群体异常事件的检测与人身安全息息相关，事关社会的健康和 谐发展。目前对异常行为检测方法主要专注于对视频监控场景中个人异常行为的分析，如 在办公环境的监控中，快速奔跑、跳跃等异常行为；在仓库监控环境中，物品丢失、物品遗留 等异常行为。而群体环境下的异常行为分析研究目前仍然是一个新的领域。由于群体性事 件可能产生严重的社会影响，因此对群体环境下异常行为的检测具有非常高的社会价值。 在监控场景中的运动行为通常表现为多种状态，如何多方面、多角度描述场景中的运动行 为是异常行为检测方法的一个关键。现有技术主要将运动目标轮廓、运动轨迹或者运动速度大小和方向等作为运动特 征，根据制定的方法(学习规则)，通过采集信息的不断输入、特征的反复提取(学习)建立 异常检测的模型，并以此来判断异常事件的发生与否。其主要思想是利用视频中运动目标 的局部特征，通常采用隐马尔可夫模型作为检测模型，对特定类型的正常行为建立一条隐 马尔可夫链。这些特征提取方法虽然有效地利用了视频的局部特征，但却忽略了视频的动 态信息、运动目标的变化规律，其异常检测的模型及建模方法也不适合用于对群体环境的 异常检测。在公开号为CN 101464952A、专利技术名称为《基于轮廓的异常行为识别方法》的专利 文献中公开了一种采取形态学滤波和连通量分析方法提取目标轮廓，并对其进行差分阈值 化处理，即首先采用运动目标检测与跟踪方法处理摄像头采集到的图像序列，提取目标轮 廓；接着利用R变换表达每一帧中运动轮廓的空间信息；再对空间信息重新排列组合，作为 行为分析的特征向量，利用主成分分析对其进行特征降维；最后利用隐马尔可夫模型参数 表示行为特征序列、并存入数据库中作为此后现场监控中判断异常行为的依据；在识别过 程中，再按照上述方法对现场实时采集到的图像信息进行轮廓提取、R变换处理、利用隐马 尔可夫模型参数表示行为特征序列，然后将其与存储的参数进行比较，按照最大似然原则 选择最匹配的行为，作为最后的识别结果。该方法虽然可以有效减弱和消除由于光照变化 以及前景、背景颜色相近带来的干扰，但在运动行人比较多的监控场景中，如商场出口、十 字路口等，行人之间经常出现互相遮挡的情况，该方法并不能从视频图像中得到完整的运 动目标轮廓，其检测效率将会明显降低。在公开号为CN 101271527A、专利技术名称为《一种基于运动场局部统计特征分析的异 常行为检测方法》的专利文献中公开了一种基于运动场局部特征统计分析的异常行为检测方法；即在图像分析与特征提取时，首先根据人体运动区域检测结果划分图像局部区域，通 过计算光流获得局部运动的描述，然后利用全局特征分析方法获得人体运动全局特征。该 现有技术在进行样本训练时，对特征提取阶段得到的整体特征，通过大量的正常和异常运 动数据进行机器学习，建立人体运动特征的SVR(支持向量回归)模型；而在异常行为检测 阶段，首先进行图像特征提取，通过贝叶斯的方法判断属于某一类行为的概率，选取概率最 大的行为类型作为识别结果。该方法采用光流法提 取局部运动特征，但是光流法容易受到 光照影响，在像素非常接近的区域，通常检测不到较准确的光流。因而该方法存在易发生误 判、可靠性差，以及系统的可扩展性低等缺陷。
技术实现思路
本专利技术的目的是针对
技术介绍
存在的缺陷，研究设计一种基于群体环境异常行为 的检测方法，以用于检测群体环境下发生的斗殴、聚众闹事、慌乱逃散等异常行为，从整体 角度刻画视频序列在频域上随时间变化的动态特征，达到提高对群体环境中的异常行为检 测的可靠性、准确性和实时性，有效提高检测效率等目的。本专利技术的解决方案是针对群体环境下场景的复杂性，采用高频时间和空间信息特 征的提取及描述方法，从整体角度刻画视频序列在频域上随时间变化的动态特征，并利用 统计学的处理方法描述变换的结果；在异常行为检测阶段采用Multi_HMM(多链隐马尔可 夫模型)异常检测方法来判断场景中的异常行为；最后通过选择与监控场景最匹配的隐 马尔可夫模型，有效检测出群体环境下的异常行为，从而实现其目的。因而，本专利技术方法包 括A.划分视频单元子序列A1.划分视频序列以一定数量的视频帧(灰度图像)为一组，并对同一组视频 帧按时序将各帧视频重叠组成一个视频序列(即由各帧视频重叠组成的空间_时间立方 体)；A2.划分视频单元序列将步骤A1所得同一视频序列中的视频图像随机分成若干 个矩形像素区域、每一区域作为一个视频单元；相同视频单元在各帧视频中所处的位置相 同、各(帧中)相同位置的视频单元即重叠组成视频序列中的各视频单元序列；A3.划分视频单元子序列将步骤A2所得视频单元序列、顺序列方向分成长(厚) 度相等的一组视频单元子序列；B.特征提取及样本数据库的建立B1.获取视频单元子序列截面灰度图将由步骤A所得任一个视频单元子序列、沿 其序列方向并垂直于视频单元的一边，以像素点为距离单位等距离截割、得一组截面，各截 面上任一条与序列方向平行的平行线即为对应视频单元截线(即视频单元与截面的交线) 上相同位置象素点的轨迹；同一截面上各象素点轨迹的灰度值即构成该截面上的灰度图；B2.小波变换处理对由步骤B1所得视频单元子序列中各截面上的灰度图分别进 行小波变换处理以分离高、低频带图像，得到对应截面上的一个近似分量低频子图像及水 平分量、垂直分量和对角线分量三个高频子图像；B3.获取视频单元子序列截面高频图将步骤B2所得同一截面上的近似分量低频 子图像作丢弃处理；再将其余的水平分量、垂直分量和对角线分量三个高频子图像依次连接成一体、得到该截面上的高频图；其余各截面上的子图像亦按相同方式处理、得该视频单 元子序列各截面上的高频图；B4.获取视频单元子序列高频合成图依次将步骤B3所得各截面上的高频图按时 序进行对应叠合处理，得到该视频单元子序列的高频合成图；B5.获取视频单元子序列观察值统计步骤B4所得高频合成图中各像素值的均值 和方差，并将该均值和方差组成的二维向量作为该视频单元子序列的观察值；B6.获取视频单元序列的观察值序列按照步骤Bi B5的方法对该单元序列中的 其余各子序列进行循环处理、得各子序列的观察值，再根据时序排列组成该视频单元序列 的观察值序列；B7.获取视频序列的观察值序列按照步骤Bi B6的方法对该视频序列中的其余 视频单元序列进行循环处理；所得各视频单元序列的观察值序列、组成对应于该视频序列 的一组观察值序列，并作存储处理；B8.建立样本数据库反复进行步骤Bi B7操作，所得各组视频序列的观察值序 列、分类存储以建立样本数据库，用于继后的隐马尔可夫模型的参数训练；C.建立 Multi-HMM 模型确定各种状态下观察值的概率分布函数从步骤B所建立样本数据库中提取 各视频单元子序列的观察值，并采用K均值(K-mea本文档来自技高网...

【技术保护点】
一种基于群体环境异常行为的检测方法，包括：Ａ．划分视频单元子序列：Ａ↓［１］．划分视频序列：以一定数量的视频帧为一组，并对同一组视频帧按时序将各帧视频重叠组成一个视频序列；Ａ↓［２］．划分视频单元序列：将步骤Ａ↓［１］所得同一视频序列中的视频图像随机分成若干个矩形像素区域、每一区域作为一个视频单元；相同视频单元在各帧视频中所处的位置相同、各相同位置的视频单元即重叠组成视频序列中的各视频单元序列；Ａ↓［３］．划分视频单元子序列：将步骤Ａ↓［２］所得视频单元序列、顺序列方向分成长态下观察值的概率分布函数；Ｃ↓［２］．Ｍｕｌｔｉ－ＨＭＭ模型参数初始化：对每条隐马尔可夫链的初始状态概率矢量和状态转移矩阵按常规方法进行初始化处理；其初始化后的各参数分别用作建模过程中相应迭代处理时的初始参数值；Ｃ↓［３］．Ｍｕｌｔｉ－ＨＭＭ模型参数训练：从步骤Ｂ↓［８］所建立样本数据库中提取分类存储的各类观察值序列，并采用常规方法分别对每条隐马尔可夫链进行参数训练，以建立异常行为综合检测的Ｍｕｌｔｉ－ＨＭＭ模型；Ｄ．异常行为的检测Ｄ↓［１］．从当前监控场景的视频序列中提取各观察值序列：采用步骤Ａ和步骤Ｂ↓［１］～Ｂ↓［７］相同的方法对当前监测场景的视频序列进行划分及特征提取，并提取出该视频序列中全部观察值序列；Ｄ↓［２］．确定观察值序列对应的最佳隐马尔可夫链：从步骤Ｄ↓［１］所得全部观察值序列中任选一条观察值序列、作为待测参数，通过检测模型中的每条隐马尔可夫链分别检测其发生的概率，并从中选出概率最大值所对应的隐马尔可夫链，作为该观察值序列对应的最佳隐马尔可夫链；Ｄ↓［３］．检测是否发生异常：Ｄ↓［３－１］．疑似异常行为的判断：将该组观察值序列中的所有观察值序列依次作为待测参数，利用步骤Ｄ↓［２］所确定的最佳隐马尔可夫链检测其发生的概率值、并对其进行取对数操作，然后将其结果与设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若小于所设定的阈值时，则返回步骤Ｄ↓［２］将该条观察值序列作为待测参数、重新选择一条最佳的隐马尔可夫链，再对该观察值序列进行概率值检测、取对数并与所设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若仍小于所设定的阈值时、则判定该条观察值序列所对应视频单元的场景发生疑似异常行为；Ｄ↓［３－１］．异常行为判决及警告：按步骤Ｄ↓［３－１］的方法将该视频序列中...

【技术特征摘要】

【专利技术属性】
技术研发人员：赵凤娟，叶茂，王波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]