【技术实现步骤摘要】
本专利技术涉及视频信号处理、模式识别、智能监控领域，具体而言，本专利技术涉及。
技术介绍
异常行为描述在智能视频监控、视频注解、虚拟现实、人机交互，公共安全等领域中具有广阔的应用前景，在这些应用的推动下，异常行为描述已经成为计算机视觉和模式识别领域的研究热点。模板序列匹配法和特征序列匹配法是传统的异常行为描述方法，匹配类方法计算量较小，但对于目标的时间间隔敏感，而且异常行为样本稀少，只能描述简单异常行为，鲁棒性不高。混合高斯模型由于其正态分布，很难描述异常行为。根据图像特征的相关性，人们引入马尔可夫随机场MRF (Markov Random Field)模型来描述异常行为，MRF模型能融合利用异常行为多特征，但是实际中它采用了关于特征的条件独立假设，不具有联系上下文信息的能力，并且MRF模型将后验概率的建模转化为对先验概率和观测模型的建模，但异常行为的先验概率模型很难建立。CRF(Conditional Random Fields)模型直接对后验概率建模，不但能融合多个特征，还具有联系上下文信息的能力。但上述方法都是基于目标的底层状态空间特征，并没有考虑目标所处场景的影响。而且传统的状态空间方法，都是基于单帧图像或者几帧、几十帧图像，属于短时的行为，没有考虑长时间内的行为。有些异常行为在短时间段内并不能明显的表现出来。这就需要对目标进行长时间的描述
技术实现思路
本专利技术的目的旨在至少解决上述技术缺陷之一，特别是在异常行为描述中结合了场景对异常行为描述的影响。为实现上述目的，本专利技术提出了，包括如下步骤:步骤(I)、利用特征提取方法提取场景特征，包括颜色...
【技术保护点】
一种基于团块与轨迹特征的异常行为描述方法，其特征在于，包括如下步骤：步骤（1）、利用特征提取方法提取场景特征，包括颜色特征、纹理特征、位置特征；步骤（2）、利用K?means算法对颜色特征、纹理特征、位置特征进行聚类，形成视觉单词；利用pLSA模型将视觉生成隐含语义的主题分布，利用CRF模型对主题分布进行建模，通过模型训练获取模型的参数估计，最终通过模型推断获取场景团块的描述；步骤（3）、利用混合高斯模型对视频信息中的运动目标进行检测，获得运动目标区域，求取区域的质心，连接质心坐标生成目标的运动轨迹特征；步骤（4）、组合目标的运动轨迹特征和场景团块描述，生成组合特征向量；步骤（5）、利用HMM模型对组合特征向量建模，通过HMM模型的训练获得新的转移状态矩阵和混淆矩阵，通过评估问题获得测试视频序列的异常行为描述。
【技术特征摘要】
1.一种基于团块与轨迹特征的异常行为描述方法，其特征在于，包括如下步骤:步骤(I)、利用特征提取方法提取场景特征，包括颜色特征、纹理特征、位置特征；步骤(2)、利用K-means算法对颜色特征、纹理特征、位置特征进行聚类，形成视觉单词；利用pLSA模型将视觉生成隐含语义的主题分布，利用CRF模型对主题分布进行建模，通过模型训练获取模型的参数估计，最终通过模型推断获取场景团块的描述； 步骤(3)、利用混合高斯模型对视频信息中的运动目标进行检测，获得运动目标区域，求取区域的质心，连接质心坐标生成目标的运动轨迹特征； 步骤(4)、组合目标的运动轨迹特征和场景团块描述，生成组合特征向量； 步骤(5)、利用HMM模型对组合特征向量建模，通过HMM模型的训练获得新的转移状态矩阵和混淆矩阵，通过评估问题获得测试视频序列的异常行为描述。2.如权利要求1所述的一种基于团块与轨迹特征的异常行为描述方法，其特征在于，提取图像的颜色特征、纹理特征、位置特征，作为原始特征，将图像I分成互不重叠且大小为mXη的块，m, η为 正整数，根据图像I的大小而定，参考值为m= 16，η = 16，对每一块按照不同的算法求取颜色特征、纹理特征、位置特征如下: a)、颜色特征 将图像从RGB空间转换到HSV空间，并将图像分成mXn大小的块，m，η为正整数，根据图像I的大小而定，参考值为m = 16, η = 16，将块内的各个分量的均值作为颜色特征Bi =(hi； Si, Vi), h表示色相，s表示饱和度，V表示亮度，i表示像素点个数； b)、纹理特征 二维Gabor函数在空间域和频率域具有良好的局部性质和多通道、多分辨率特性，采用Gabor变换进行纹理特征提取，Gabor变换定义为:G(X15J1) = ----exp[-1(^V + -^r)] ^[2π]Ψχι ] 2πσχ'σ 2 σ- σ; X1 =X1 cos 沒+ Vj sin 沒 [P1 二 -X1 sin <9 + Jji cos^ 其中，W为正弦光栅的频率，Θ为方向，σ为尺度，将图像分成mXn大小的块，m，η为正整数，根据图像I的大小而定，参考值为m= 16，n= 16, x, y为二维坐标,对每一块进行Gabor变换，并将均值和方差作为原始特征； I GG “二，其中，U表示均值，G表示Gabor变换，P为G的分布； Cj X CjG G ■ = ΣΣ(ζ.— P,，其中Var表示方差，G表示Gabor变换，P为G的分布； 二I 片 为了准确的描述场景的纹理信息，分别取Θ = {0°，45° ,90° , 135° }方向； C)、位置特征 为了提取位置特征，首先将图像分成mXn大小的块，参考值为m = 16，η = 16，然后，在原始图像上面生成W X W个的隐单元网格，参考值为W = 16,判断单元网格落在哪一个mX η的块里，从而利用单元网格的索引作为位置特征，最终的位置特征表示为:kP = W2其中kp表示位置特征，w表示隐单元网格。3.如权利要求1所述的一种基于团块与轨迹特征的异常行为描述方法，其特征在于，提取的特征利用K-means聚类形成视觉单词，具体如下: 采用K-means聚类算法对原始特征进行聚类，形成视觉单词，K - means算法的目标是把输入的特征数据，聚成K类，算法首先随机选取K个点作为初始聚类中心，然后计算各个样本到聚类中心的欧式距离，把样本归到离他最近的聚类中心所在的类，对调整后的新类计算新的聚类中心，如果相邻两次的聚类中心没有变化，说明样本调整结束，算法步骤如下: 步骤I)、给定大小为N的数据集，令1=1，选取K个初始聚类中心，Zj(I)1J =1,2,3，…，K; 步骤2)、计算每个样本对象与聚类中心的欧氏距离:D(XilZj(I))1 i = 1,2, 3，...，N，j = 1,2, 3，...，K，如果满足 D (Xi, Zm(I)) = min{D (xi； Zj(I)), j = I, 2，3，…，N},则 Xi e wK ; 步骤3)、计算误差平方和准则函数J。:4.如权利要求3所述的一种基于团块与轨迹特征的异常行为描述方法，其特征在于，所述的利用PLSA模型将视觉生成隐含语义的主题分布具体如下:pLSA 模型用 D = ((I1, d2,…，dn}表示文档，W = {wv w2, ---,WmI 表示单词，P(ZkIdi)Z =(Z1, Z2,…，ζκ}表示潜在的语义集合,N = InijInij = η (φ, Wj), i彡N, j彡Μ}表示文档和单词的共生矩阵，其中η (φ，Wj)表示单词...
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。