專利名稱：基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻處理、模式識(shí)別等，具體講涉及基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法。
背景技術(shù)：
當(dāng)前基于網(wǎng)絡(luò)的視頻監(jiān)控系統(tǒng)所能夠提供的信息量在急速增加，而面對(duì)匯集來(lái)的海量視頻數(shù)據(jù)，單單依靠人力來(lái)進(jìn)行監(jiān)控的有效分析和管理已基本無(wú)法完成，智能化視頻處理技術(shù)的引入勢(shì)在必行；同時(shí)，交互式技術(shù)的出現(xiàn)使得視頻監(jiān)控用戶已不再是信息的被動(dòng)接收者，他們可以根據(jù)自己的需求有選擇性接收相應(yīng)的視頻資源和個(gè)性化搜索所關(guān)注資源，這就要求監(jiān)控視頻的智能化處理不能停留在如自動(dòng)位移偵測(cè)、晝夜自適應(yīng)切換存儲(chǔ)、預(yù)警設(shè)置等一些低級(jí)形式的“智能化”模式上，而是向著高端的視頻內(nèi)容語(yǔ)義理解和特定事件識(shí)別方向發(fā)展?，F(xiàn)有監(jiān)控視頻異常事件檢測(cè)多是通過特定規(guī)則的制定對(duì)單目攝像頭下簡(jiǎn)單的異常事件(如入侵檢測(cè)、丟包事件等)進(jìn)行檢測(cè)和報(bào)警。但是，當(dāng)面臨多攝像頭監(jiān)控網(wǎng)絡(luò)時(shí)，個(gè)體數(shù)目的增加、不同視角下運(yùn)動(dòng)規(guī)律和參數(shù)的不同、不同視角下特定事件描述的多樣性等外界因素使得語(yǔ)義事件的檢測(cè)變得十分復(fù)雜。針對(duì)該問題，本發(fā)明提出基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法，采用多層多信息融合的動(dòng)態(tài)貝葉斯網(wǎng)模型來(lái)動(dòng)態(tài)表征多視角視頻中同一事件的多參量變化規(guī)律。該模型由特征層(運(yùn)動(dòng)目標(biāo)低層特征)、基元層 (個(gè)體行為特征)、事件層(群體行為特征)三級(jí)自底向上結(jié)構(gòu)組成。將通過特征和基元的融合，充分利用多攝像頭提供的多源信息，從而充分挖掘語(yǔ)義事件的多樣特征。一旦模型中的參數(shù)經(jīng)過對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)獲得，就可以對(duì)觀測(cè)到的特征序列，應(yīng)用貝葉斯推理確定最大概率條件下的各個(gè)事件節(jié)點(diǎn)的值。這樣，通過該模型可以實(shí)現(xiàn)語(yǔ)義事件顯性規(guī)則的表征。

發(fā)明內(nèi)容
為克服現(xiàn)有技術(shù)的不足，提供一種表征跨攝像頭多視角中同一事件的多運(yùn)動(dòng)參量變化規(guī)律，準(zhǔn)確率高的視頻異常事件檢測(cè)方法，為達(dá)上述目的，本發(fā)明采取的技術(shù)方案是， 基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法，包括以下步驟1.基于軌跡分析的異常事件分類根據(jù)個(gè)體數(shù)目引起的軌跡數(shù)目的區(qū)別將常見監(jiān)控視頻中異常事件分為單人、雙人和多人三類，劃分出各類異常事件常見軌跡特征及事件類型包括有位置、運(yùn)動(dòng)方向、速度、 加速度的個(gè)體運(yùn)動(dòng)特征，包括有多攝像頭中的相對(duì)位置、相對(duì)運(yùn)動(dòng)方向、相對(duì)速度、相對(duì)加速度的雙人運(yùn)動(dòng)特征，包括有多攝像頭中的群體位置、群體運(yùn)動(dòng)方向、群體速度、群體加速度的多人運(yùn)動(dòng)特征；事件類型有包括人跑、逆流行走的個(gè)體類型，包括擁抱、追逐的雙人類型，包括聚集、分開的群體類型；2.基于動(dòng)態(tài)貝葉斯網(wǎng)的異常事件建模通過利用上述各類異常事件的軌跡特征對(duì)特定異常事件進(jìn)行表征，在此基礎(chǔ)上利用動(dòng)態(tài)貝葉斯網(wǎng)對(duì)異常事件進(jìn)行建模，從而表征不同攝像頭下運(yùn)動(dòng)形式的復(fù)雜性以及群體運(yùn)動(dòng)內(nèi)在規(guī)則的多樣性，基于動(dòng)態(tài)貝葉斯網(wǎng)的異常事件建模由以下三步完成①動(dòng)態(tài)貝葉斯網(wǎng)的構(gòu)建所建立動(dòng)態(tài)貝葉斯網(wǎng)由特征層、基元層、事件層三級(jí)自底向上結(jié)構(gòu)組成，通過特征和基元的融合，充分利用多攝像頭提供的多源信息，從而充分挖掘語(yǔ)義事件的多樣特征，具體為特征節(jié)點(diǎn)代表t時(shí)刻從視頻序列中觀察到的運(yùn)動(dòng)軌跡特征；在特征節(jié)點(diǎn)的上面是基元層節(jié)點(diǎn)，表示由軌跡特征通過特定變換構(gòu)成的個(gè)體行為特征；建立在基元結(jié)點(diǎn)之上則是事件層節(jié)點(diǎn)，表示由個(gè)體行為特征通過某種變換構(gòu)成的群體行為特征，事件層本身可以包含多層，來(lái)反映多類事件之間的層次關(guān)系，處于各層之間的節(jié)點(diǎn)為標(biāo)志性節(jié)點(diǎn)，它表明低一層分析已結(jié)束，需要轉(zhuǎn)入高層分析，t時(shí)刻中每層節(jié)點(diǎn)對(duì)建立在下一時(shí)刻的特征向量上面的相應(yīng)同層及相應(yīng)上下層的轉(zhuǎn)移和關(guān)聯(lián)通過概率密度值表示，將通過動(dòng)態(tài)貝葉斯網(wǎng)模型的學(xué)習(xí)獲得；②動(dòng)態(tài)貝葉斯網(wǎng)的學(xué)習(xí)動(dòng)態(tài)貝葉斯網(wǎng)的參數(shù)有兩部分構(gòu)成，一是它的拓?fù)浣Y(jié)構(gòu)，二是各個(gè)狀態(tài)變量的概率分布，需要進(jìn)行各個(gè)節(jié)點(diǎn)概率分布的學(xué)習(xí)，根據(jù)模型學(xué)習(xí)過程中基元的特性將模型學(xué)習(xí)方法分成以下三種情況，以適應(yīng)不同類型訓(xùn)練數(shù)據(jù)的需要第一種情況基元標(biāo)注和數(shù)目均已知，訓(xùn)練數(shù)據(jù)中不僅有事件的標(biāo)注，而且有基元的標(biāo)注，事件和基元上的概率分布可以直接從訓(xùn)練數(shù)據(jù)中通過計(jì)算不同事件和基元組合出現(xiàn)的頻率來(lái)統(tǒng)計(jì)各類狀態(tài)變量的概率；第二種情況基元數(shù)目已知，但標(biāo)注未知，與上一種情況相比，此時(shí)訓(xùn)練數(shù)據(jù)中只有事件的標(biāo)注，沒有基元的標(biāo)注，但是可以通過先驗(yàn)知識(shí)獲取基元數(shù)目，所以此時(shí)這種情況類似于基元數(shù)目已知的非監(jiān)督聚類，在基元聚類的基礎(chǔ)上可以通過概率計(jì)算統(tǒng)計(jì)狀態(tài)標(biāo)量的概率分布，采用期望最大化算法進(jìn)行基元聚類和模型參數(shù)學(xué)習(xí)；第三種情況基元數(shù)目和標(biāo)注均未知，在該種情況下，需要模型能從訓(xùn)練數(shù)據(jù)中自動(dòng)估計(jì)基元的數(shù)目和分類情況，通過引入隨機(jī)搜索策略來(lái)解決這個(gè)問題，采用馬爾可夫鏈蒙特卡洛算法進(jìn)行處理；③特征選擇將決策樹應(yīng)用到動(dòng)態(tài)貝葉斯模型中首先需要建立特征池，包含所有可能的特征； 然后根據(jù)訓(xùn)練數(shù)據(jù)，模型自動(dòng)建立基元識(shí)別的決策樹分類器，從而有效實(shí)現(xiàn)特征的選擇，采用應(yīng)用決策樹進(jìn)行特征選擇的方法選擇高效有區(qū)分性特征，自動(dòng)地根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行特征選擇，決策樹根據(jù)各個(gè)特征對(duì)于分類的貢獻(xiàn)度確定特征的使用次序以及排除貢獻(xiàn)度不大的特征。首先，需要建立特征池，即提取各類基于軌跡的運(yùn)動(dòng)特征，然后根據(jù)訓(xùn)練數(shù)據(jù)，借助決策樹算法通過交叉驗(yàn)證有效實(shí)現(xiàn)特征的選擇。本發(fā)明具有以下技術(shù)效果基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法適用于多攝像頭下可以通過目標(biāo)運(yùn)動(dòng)軌跡分析來(lái)進(jìn)行判決的語(yǔ)義事件檢測(cè)。特別的，本發(fā)明采用動(dòng)態(tài)貝葉斯網(wǎng)模型來(lái)動(dòng)態(tài)表征跨攝像頭多視角中同一事件的多運(yùn)動(dòng)參量變化規(guī)律。在現(xiàn)有包含圖1所示多類異常事件連續(xù)10小時(shí)監(jiān)控視頻中各類事件檢測(cè)平均準(zhǔn)確率達(dá)90%。


圖1基于軌跡分析的異常事件分類。圖2多層動(dòng)態(tài)貝葉斯網(wǎng)示意圖。
具體實(shí)施例方式基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法的動(dòng)機(jī)在于圖1列舉的異常事件可以通過目標(biāo)運(yùn)動(dòng)軌跡和先驗(yàn)知識(shí)進(jìn)行判決，適用于可以顯性定義判決規(guī)則的異常事件檢測(cè)。由于不同事件所涉及運(yùn)動(dòng)目標(biāo)數(shù)目及軌跡的不同，所以將異常事件分為單人、雙人和多人行為構(gòu)成的異常事件，如圖1所示。個(gè)體運(yùn)動(dòng)通常包括位置、運(yùn)動(dòng)方向、速度、加速度等軌跡特征，基于個(gè)體的運(yùn)動(dòng)特征，可以計(jì)算雙人間的相對(duì)運(yùn)動(dòng)特征及多人的群體運(yùn)動(dòng)特征。不同于單目攝像頭下視頻事件檢測(cè)問題，對(duì)于多攝像頭智能監(jiān)控，需要在時(shí)間同步的基礎(chǔ)上計(jì)算相同時(shí)刻不同攝像頭中觀測(cè)目標(biāo)的運(yùn)動(dòng)特征并挖掘不同敏感事件的運(yùn)動(dòng)軌跡規(guī)則，以輔助相應(yīng)敏感事件的檢測(cè)。個(gè)體運(yùn)動(dòng)狀態(tài)往往可以通過其運(yùn)動(dòng)軌跡所隱含的運(yùn)動(dòng)特征直接借助閾值或先驗(yàn)知識(shí)進(jìn)行判決，但是對(duì)于雙人和多人行為，盡管可以顯性定義規(guī)則，但是因?yàn)椴煌瑪z像頭下運(yùn)動(dòng)形式的復(fù)雜性以及群體運(yùn)動(dòng)內(nèi)在規(guī)則的多樣性，造成不能通過簡(jiǎn)單的閾值和先驗(yàn)知識(shí)進(jìn)行判決。針對(duì)該問題，在本課題研究中，采用動(dòng)態(tài)貝葉斯網(wǎng)來(lái)動(dòng)態(tài)表征群體行為的內(nèi)在動(dòng)態(tài)規(guī)則。動(dòng)態(tài)貝葉斯網(wǎng)是一類概率圖模型(Probabilistic Graph Model)，表示為隨時(shí)間增長(zhǎng)的有向無(wú)環(huán)圖，能夠通過考慮各個(gè)時(shí)刻間的狀態(tài)轉(zhuǎn)移概率更好的處理時(shí)間序列信號(hào)。 動(dòng)態(tài)貝葉斯網(wǎng)的優(yōu)點(diǎn)在于在每個(gè)時(shí)刻上允許有多個(gè)隨機(jī)變量而不僅僅是一個(gè)隱藏狀態(tài)變量，因而更適合與多攝像頭研究背景下多視角中同一事件的多參量變化規(guī)律的學(xué)習(xí)。在本項(xiàng)目中，將利用該模型提出一種基于動(dòng)態(tài)貝葉斯網(wǎng)的語(yǔ)義事件建模方法，從而有效的表征各類語(yǔ)義事件的內(nèi)在模式。下面，將從動(dòng)態(tài)貝葉斯網(wǎng)的表示、學(xué)習(xí)以及特征選擇三個(gè)方面對(duì)該方法進(jìn)行介紹1.動(dòng)態(tài)貝葉斯網(wǎng)的表示如圖1所示基于軌跡分析的異常事件分類，復(fù)雜的群體事件往往由個(gè)體運(yùn)動(dòng)狀態(tài) (如位置、運(yùn)動(dòng)方向、速度、加速度等)組成。由于群體事件具有比較高層的語(yǔ)義，如人群聚集、人群分散等，直接從底層特征來(lái)得到事件的高層語(yǔ)義無(wú)疑是低效和困難的。將圖2所示高層群體事件看成是由低層基元事件組成的過程，這些基元再由底層特征來(lái)區(qū)分，從而形成層次化的敏感事件檢測(cè)模型?；谝陨霞俣?，首先提出一個(gè)多層動(dòng)態(tài)貝葉斯網(wǎng)模型，所建立動(dòng)態(tài)貝葉斯網(wǎng)由特征層、基元層、事件層三級(jí)自底向上結(jié)構(gòu)組成，將通過特征和基元的融合，充分利用多攝像頭提供的多源信息，從而充分挖掘語(yǔ)義事件的多樣特征，如圖2所示。圖2中的節(jié)點(diǎn)代表隨機(jī)變量，連線代表?xiàng)l件概率密度。這里只給出了對(duì)應(yīng)兩個(gè)時(shí)刻的模型示意圖。實(shí)際上該模型可以重復(fù)延伸下去來(lái)表示任意長(zhǎng)度的時(shí)間信號(hào)。圖2中陰影表示特征節(jié)點(diǎn)，代表t時(shí)刻從視頻序列中觀察到的運(yùn)動(dòng)軌跡特征；在特征節(jié)點(diǎn)的上面是基元層節(jié)點(diǎn)，表示由軌跡特征通過特定變換構(gòu)成的個(gè)體行為特征；建立在基元結(jié)點(diǎn)之上則是事件層節(jié)點(diǎn)，表示由個(gè)體行為特征通過某種變換構(gòu)成的群體行為特征。事件層本身可以包含多層，來(lái)反映多類事件之間的層次關(guān)系。需要注意的是，處于各層之間的節(jié)點(diǎn)為標(biāo)志性節(jié)點(diǎn)，它表明低層分析已結(jié)束，需要轉(zhuǎn)入高層分析，如基元層的個(gè)體事件分析已結(jié)束，需要轉(zhuǎn)入事件層的群體事件分析。t 時(shí)刻中每層節(jié)點(diǎn)對(duì)建立在下一時(shí)刻的特征向量上面的相應(yīng)同層及相應(yīng)上下層的轉(zhuǎn)移和關(guān)聯(lián)通過概率密度值表示，將通過動(dòng)態(tài)貝葉斯網(wǎng)模型的學(xué)習(xí)獲得2.動(dòng)態(tài)貝葉斯網(wǎng)的學(xué)習(xí)為了對(duì)事件進(jìn)行建模，還需要從訓(xùn)練數(shù)據(jù)中獲得模型的相關(guān)參數(shù)。動(dòng)態(tài)貝葉斯網(wǎng)的參數(shù)有兩部分構(gòu)成，一是它的拓?fù)浣Y(jié)構(gòu)，二是各個(gè)狀態(tài)變量的概率分布。根據(jù)結(jié)構(gòu)是否已知和狀態(tài)是否可以觀察，有不同的學(xué)習(xí)方法。根據(jù)監(jiān)控視頻中異常事件特點(diǎn)，所以所提出的貝葉斯網(wǎng)模型結(jié)構(gòu)是確定的，如圖2所示，因此只需要進(jìn)行各個(gè)節(jié)點(diǎn)概率分布的學(xué)習(xí)。這可以分成以下三種情況討論第一種情況基元標(biāo)注和數(shù)目均已知。訓(xùn)練數(shù)據(jù)中不僅有事件的標(biāo)注，而且有基元的標(biāo)注，事件和基元上的概率分布可以直接從訓(xùn)練數(shù)據(jù)中通過計(jì)算不同事件和基元組合出現(xiàn)的頻率來(lái)統(tǒng)計(jì)各類狀態(tài)變量的概率；第二種情況基元數(shù)目已知，但標(biāo)注未知。與上一種情況相比，此時(shí)訓(xùn)練數(shù)據(jù)中只有事件的標(biāo)注，沒有基元的標(biāo)注，但是可以通過先驗(yàn)知識(shí)獲取基元數(shù)目，所以此時(shí)這種情況類似于基元數(shù)目已知的非監(jiān)督聚類，在基元聚類的基礎(chǔ)上可以通過概率計(jì)算統(tǒng)計(jì)狀態(tài)標(biāo)量的概率分布。本發(fā)明中，不失一般性的，我們采用期望最大化算法(Expectation Maximization) [1]進(jìn)行基元聚類和模型參數(shù)學(xué)習(xí)。[1]A. P. Dempster, N. Μ. Laird, D. B. Rubin, "Maximum Likelihood from IncompleteData via the EM Algorithm. ”ournal of the Royal Statistical Society. Series B(Methodological)，Vol. 39，No. 1. (1977)，pp. 1-38.第三種情況基元數(shù)目和標(biāo)注均未知。在該種情況下，需要模型能從訓(xùn)練數(shù)據(jù)中自動(dòng)估計(jì)基元的數(shù)目和分類情況。這意味著模型能夠完全自動(dòng)的根據(jù)訓(xùn)練數(shù)據(jù)對(duì)事件的基元組成進(jìn)行學(xué)習(xí)。本發(fā)明提出通過引入隨機(jī)搜索策略來(lái)解決這個(gè)問題，并不失一般性的采用馬爾可夫鏈蒙特卡洛算法(Markov Chain Monte Carlo)來(lái)解決該問題[2]。[2]L. Xie, S. F. Chang, A. Divakaran and H. Sun, "Unsupervised Mining of StatisticalTemporal Structures in Video,，，Video Mining, Azreil Rosenfeld, David Doremann, Daniel Dementhon, eds. ,Kluwer Academic Publishers, 2003.③特征選擇將決策樹應(yīng)用到動(dòng)態(tài)貝葉斯模型中首先需要建立特征池，包含所有可能的特征； 然后根據(jù)訓(xùn)練數(shù)據(jù)，模型自動(dòng)建立基元識(shí)別的決策樹分類器，從而有效實(shí)現(xiàn)特征的選擇。對(duì)于模型的學(xué)習(xí)，除了需要提取顯著性特征，如何選擇高效有區(qū)分性特征也是事件建模中的一個(gè)重要問題?，F(xiàn)有方法中多是需要根據(jù)不同領(lǐng)域的情況人為選擇特征。本發(fā)明中提出一種應(yīng)用決策樹進(jìn)行特征選擇的方法，能夠自動(dòng)地根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行特征選擇。 決策樹能夠根據(jù)各個(gè)特征對(duì)于分類的貢獻(xiàn)度確定特征的使用次序以及排除貢獻(xiàn)度不大的特征[3]。首先，需要建立特征池，即提取各類基于軌跡的運(yùn)動(dòng)特征，然后根據(jù)訓(xùn)練數(shù)據(jù)，借助決策樹算法通過交叉驗(yàn)證有效實(shí)現(xiàn)特征的選擇。[3] J. T. Foote, "Decision-Tree Probability Modeling for HMM Speech Recognition,，，PhD Dissertation, Brown University,1994.
權(quán)利要求
1. 一種基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法，其特征是，包括以下步驟·1.基于軌跡分析的異常事件分類根據(jù)個(gè)體數(shù)目引起的軌跡數(shù)目的區(qū)別將常見監(jiān)控視頻中異常事件分為單人、雙人和多人三類，劃分出各類異常事件常見軌跡特征及事件類型包括有位置、運(yùn)動(dòng)方向、速度、加速度的個(gè)體運(yùn)動(dòng)特征，包括有多攝像頭中的相對(duì)位置、相對(duì)運(yùn)動(dòng)方向、相對(duì)速度、相對(duì)加速度的雙人運(yùn)動(dòng)特征，包括有多攝像頭中的群體位置、群體運(yùn)動(dòng)方向、群體速度、群體加速度的多人運(yùn)動(dòng)特征；事件類型有包括人跑、逆流行走的個(gè)體類型，包括擁抱、追逐的雙人類型， 包括聚集、分開的群體類型；·2.基于動(dòng)態(tài)貝葉斯網(wǎng)的異常事件建模通過利用上述各類異常事件的軌跡特征對(duì)特定異常事件進(jìn)行表征，在此基礎(chǔ)上利用動(dòng)態(tài)貝葉斯網(wǎng)對(duì)異常事件進(jìn)行建模，從而表征不同攝像頭下運(yùn)動(dòng)形式的復(fù)雜性以及群體運(yùn)動(dòng)內(nèi)在規(guī)則的多樣性，基于動(dòng)態(tài)貝葉斯網(wǎng)的異常事件建模由以下三步完成①動(dòng)態(tài)貝葉斯網(wǎng)的構(gòu)建所建立動(dòng)態(tài)貝葉斯網(wǎng)由特征層、基元層、事件層三級(jí)自底向上結(jié)構(gòu)組成，通過特征和基元的融合，充分利用多攝像頭提供的多源信息，從而充分挖掘語(yǔ)義事件的多樣特征，具體為特征節(jié)點(diǎn)代表t時(shí)刻從視頻序列中觀察到的運(yùn)動(dòng)軌跡特征；在特征節(jié)點(diǎn)的上面是基元層節(jié)點(diǎn)，表示由軌跡特征通過特定變換構(gòu)成的個(gè)體行為特征；建立在基元結(jié)點(diǎn)之上則是事件層節(jié)點(diǎn)，表示由個(gè)體行為特征通過某種變換構(gòu)成的群體行為特征，事件層本身可以包含多層，來(lái)反映多類事件之間的層次關(guān)系，處于各層之間的節(jié)點(diǎn)為標(biāo)志性節(jié)點(diǎn)，它表明低層分析已結(jié)束，需要轉(zhuǎn)入高層分析，t時(shí)刻中每層節(jié)點(diǎn)對(duì)建立在下一時(shí)刻的特征向量上面的相應(yīng)同層及相應(yīng)上下層的轉(zhuǎn)移和關(guān)聯(lián)通過概率密度值表示，將通過動(dòng)態(tài)貝葉斯網(wǎng)模型的學(xué)習(xí)獲得；②動(dòng)態(tài)貝葉斯網(wǎng)的學(xué)習(xí)動(dòng)態(tài)貝葉斯網(wǎng)的參數(shù)有兩部分構(gòu)成，一是它的拓?fù)浣Y(jié)構(gòu)，二是各個(gè)狀態(tài)變量的概率分布，需要進(jìn)行各個(gè)節(jié)點(diǎn)概率分布的學(xué)習(xí)，根據(jù)模型學(xué)習(xí)過程中基元的特性將模型學(xué)習(xí)方法分成以下三種情況，以適應(yīng)不同類型訓(xùn)練數(shù)據(jù)的需要第一種情況基元標(biāo)注和數(shù)目均已知，訓(xùn)練數(shù)據(jù)中不僅有事件的標(biāo)注，而且有基元的標(biāo)注，事件和基元上的概率分布可以直接從訓(xùn)練數(shù)據(jù)中通過計(jì)算不同事件和基元組合出現(xiàn)的頻率來(lái)統(tǒng)計(jì)各類狀態(tài)變量的概率；第二種情況基元數(shù)目已知，但標(biāo)注未知，與上一種情況相比，此時(shí)訓(xùn)練數(shù)據(jù)中只有事件的標(biāo)注，沒有基元的標(biāo)注，但是可以通過先驗(yàn)知識(shí)獲取基元數(shù)目，所以此時(shí)這種情況類似于基元數(shù)目已知的非監(jiān)督聚類，在基元聚類的基礎(chǔ)上可以通過概率計(jì)算統(tǒng)計(jì)狀態(tài)變量的概率分布，采用期望最大化算法進(jìn)行基元聚類和模型參數(shù)學(xué)習(xí)；第三種情況基元數(shù)目和標(biāo)注均未知，在該種情況下，需要模型能從訓(xùn)練數(shù)據(jù)中自動(dòng)估計(jì)基元的數(shù)目和分類情況，通過引入隨機(jī)搜索策略來(lái)解決這個(gè)問題，采用馬爾可夫鏈蒙特卡洛算法進(jìn)行處理；③特征選擇將決策樹應(yīng)用到動(dòng)態(tài)貝葉斯模型中首先需要建立特征池，包含所有可能的特征 ’然后根據(jù)訓(xùn)練數(shù)據(jù)，模型自動(dòng)建立基元識(shí)別的決策樹分類器，從而有效實(shí)現(xiàn)特征的選擇，采用應(yīng)用決策樹進(jìn)行特征選擇的方法選擇高效有區(qū)分性特征，自動(dòng)地根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行特征選擇，決策樹根據(jù)各個(gè)特征對(duì)于分類的貢獻(xiàn)度確定特征的使用次序以及排除貢獻(xiàn)度不大的特征，首先，需要建立特征池，即提取各類基于軌跡的運(yùn)動(dòng)特征，然后根據(jù)訓(xùn)練數(shù)據(jù)，借助決策樹算法通過交叉驗(yàn)證有效實(shí)現(xiàn)特征的選擇。
全文摘要
本發(fā)明涉及視頻處理、模式識(shí)別等。為提供表征跨攝像頭多視角中同一事件的多運(yùn)動(dòng)參量變化規(guī)律，準(zhǔn)確率高的視頻異常事件檢測(cè)方法，本發(fā)明采取的技術(shù)方案是，基于軌跡分析的監(jiān)控視頻異常事件檢測(cè)方法，包括以下步驟1.基于軌跡分析的異常事件分類；2.基于動(dòng)態(tài)貝葉斯網(wǎng)的異常事件建模通建模由以下三步完成①動(dòng)態(tài)貝葉斯網(wǎng)的構(gòu)建所建立動(dòng)態(tài)貝葉斯網(wǎng)由特征層、基元層、事件層三級(jí)自底向上結(jié)構(gòu)組成；②動(dòng)態(tài)貝葉斯網(wǎng)的學(xué)習(xí)分成以下三種情況第一種情況基元標(biāo)注和數(shù)目均已知；第二種情況基元數(shù)目已知，但標(biāo)注未知；第三種情況基元數(shù)目和標(biāo)注均未知；③特征選擇。本發(fā)明主要應(yīng)用于視頻處理、模式識(shí)別等。
文檔編號(hào)G06K9/66GK102201065SQ201110126199
公開日2011年9月28日 申請(qǐng)日期2011年5月16日 優(yōu)先權(quán)日2011年5月16日
發(fā)明者劉安安, 蘇育挺 申請(qǐng)人:天津大學(xué)