專利名稱：一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻異常分析檢測(cè)領(lǐng)域，具體而言，本發(fā)明涉及一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法及裝置。
背景技術(shù)：
隨著信息技術(shù)的發(fā)展，近幾年由于公共安全的需要，智能監(jiān)控方面的需求迅速增力口?，F(xiàn)有的監(jiān)控需依靠專人值守，傳統(tǒng)監(jiān)控系統(tǒng)無法在事發(fā)時(shí)預(yù)警。后期在大量的視頻資料中甄選可以用于證據(jù)的工作也是極其耗時(shí)的。這無法滿足公安，銀行，交通等安全敏感的部門對(duì)視頻監(jiān)控提出的安防要求。異常行為辨識(shí)是智能監(jiān)控系統(tǒng)的主要任務(wù)。智能監(jiān)控系統(tǒng)的主要要求是實(shí)時(shí)性和魯棒性。目前的研究還主要集中在有限類別簡(jiǎn)單規(guī)則的行為識(shí)別或者特定場(chǎng)景中的異常行為檢測(cè)上。異常行為的檢測(cè)有兩種常用的方法，一種是先給出異常行為的定義，建立異常行為數(shù)據(jù)庫(kù)，檢測(cè)時(shí)進(jìn)行模板匹配，如場(chǎng)景中出現(xiàn)與數(shù)據(jù)庫(kù)中匹配的類似行為，則檢測(cè)出異常，這類方法主要用來分析單人行為，并且需要大量的先驗(yàn)知識(shí)來構(gòu)建模型，而構(gòu)建出來的模型在場(chǎng)景適應(yīng)性和實(shí)時(shí)性上都存在缺陷。另一種方法是先定義正常行為，檢測(cè)時(shí)將場(chǎng)景中的行為與數(shù)據(jù)庫(kù)中的正常行為做似然度計(jì)算，如似然度偏離超過門限，則判斷為異常。這兩種方法雖然能夠在固定的場(chǎng)景下建立準(zhǔn)確的行為模型，但是需要手工標(biāo)記大量的行為序列以獲取足夠的訓(xùn)練樣本，這會(huì)造成大量人力資源的浪費(fèi)。基于無(半)監(jiān)督的建模方法能夠自動(dòng)地(半自動(dòng)地)建立行為模型，可以減輕人的負(fù)擔(dān)，同時(shí)增強(qiáng)算法的實(shí)用性?；诘蛯犹卣鞯姆椒ǐ@取特征簡(jiǎn)單，該類方法不需跟蹤目標(biāo)，比基于目標(biāo)跟蹤的方法更具有魯棒性，而且全自動(dòng)操作，計(jì)算速度較快，在一般場(chǎng)景中可以保證實(shí)時(shí)，這種描述行為的算法一直以來都是行為描述的一個(gè)重要方向。視覺注意機(jī)制模擬的是人眼的生理視覺感知，在視頻監(jiān)控中可以應(yīng)用這種類生物學(xué)(Biologically-Plausible)的方法估計(jì)出視頻中的異常區(qū)域,視覺注意機(jī)制的視覺驚奇(Surprise)計(jì)算，與其他機(jī)器視覺方法的區(qū)別在于在這個(gè)工作中完全不需要針對(duì)特殊種類的目標(biāo)和背景調(diào)整算法，使用一個(gè)簡(jiǎn)單但相當(dāng)全面的貝葉斯驚奇的數(shù)學(xué)定義，我們能在復(fù)雜視頻中(比如變化較多的戶外場(chǎng)景，公園，擁擠的街道，露天的天臺(tái)酒吧等)可靠的預(yù)測(cè)出觀測(cè)者會(huì)注意的區(qū)域。但處理不同的場(chǎng)景，不必再訓(xùn)練或者做算法上調(diào)整。早期的顯著圖模型研究側(cè)重考慮空間信息，而忽略時(shí)間信息。一般的，將機(jī)器學(xué)習(xí)系統(tǒng)訓(xùn)練時(shí)沒有學(xué)習(xí)的未知新數(shù)據(jù)的識(shí)別稱為新穎(novel)檢測(cè)。新穎檢測(cè)是在訓(xùn)練階段，機(jī)器學(xué)習(xí)正常數(shù)據(jù)，然后使用先前未知的知識(shí)，分類機(jī)把正常模式和新穎模式區(qū)別開來。驚奇(Surprise)，顧名思義就是發(fā)生了某種超出人們預(yù)料之外的事件。貝葉斯驚奇計(jì)算優(yōu)于直接測(cè)量圖像的局部熵與基于生物學(xué)的啟發(fā)式“自底向上”的顯著圖模型?？偟膩碚f，先驗(yàn)知識(shí)與后驗(yàn)知識(shí)的微小差別產(chǎn)生較小的驚奇程度，而兩者劇烈的改變導(dǎo)致較大的驚奇程度，從數(shù)學(xué)上來說，一個(gè)事件當(dāng)先驗(yàn)概率分布與后驗(yàn)概率分布之間的KL距離很大的時(shí)候發(fā)生驚奇。本發(fā)明將視覺注意模型中的驚奇計(jì)算應(yīng)用到視頻監(jiān)控領(lǐng)域，類生物學(xué)驚奇計(jì)算的理論框架是已被證明了的視覺注意模型。本發(fā)明在貝葉斯驚奇框架的基礎(chǔ)上，提出處理視頻數(shù)據(jù)的分析方法，使用時(shí)空驚奇計(jì)算模型檢測(cè)場(chǎng)景中檢測(cè)點(diǎn)特征的異常改變。

發(fā)明內(nèi)容
本發(fā)明的目的旨在至少解決上述技術(shù)缺陷之一，特別對(duì)實(shí)現(xiàn)特定幾類的突發(fā)異常事件，提出一種基于貝葉斯驚奇模型的異常分析方法及裝置。為實(shí)現(xiàn)上述目的，本發(fā)明一方面提出了一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，包括如下步驟:采用貝葉斯驚奇理論檢測(cè)視頻中的異常:異常在空間上的顯著性鄰域特征的先驗(yàn)分布與中心特征的后驗(yàn)分布的較大改變，在時(shí)間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗(yàn)分布與當(dāng)前幀中特征的后驗(yàn)分布有較大的改變；在視頻中先檢測(cè)出多個(gè)時(shí)空興趣點(diǎn)(STIP)，使用光流估計(jì)法提取時(shí)空興趣點(diǎn)的鄰域及歷史幀中對(duì)應(yīng)位置的運(yùn)動(dòng)特征值，該運(yùn)動(dòng)特征值包括速度的幅度和方向；利用參數(shù)估計(jì)方法計(jì)算時(shí)間上的先驗(yàn)分布和后驗(yàn)分布，空間上的先驗(yàn)分布和后驗(yàn)分布；已知時(shí)間、空間上的先驗(yàn)，后驗(yàn)分布，計(jì)算時(shí)間維度的KL距離，空間驚奇度，再合成總時(shí)空驚奇度；統(tǒng)計(jì)在視頻中超過驚奇閾值的興趣點(diǎn)個(gè)數(shù)超過一定數(shù)量，則當(dāng)前幀為警告幀，當(dāng)視頻中興趣點(diǎn)的總時(shí)空驚奇度超過預(yù)先設(shè)定的閾值時(shí)，在視頻幀中標(biāo)記出異常區(qū)域。其中，所述驚奇度采用先驗(yàn)分布與后驗(yàn)分布的差別來度量，當(dāng)它們距離很大時(shí)說明導(dǎo)致的驚奇程度大，這里采用一種基于概率的距離度量方法——KL距離；已知模型中的先驗(yàn)概率P CM),和獲得的新數(shù)據(jù)D，計(jì)算得到驚奇度，即先驗(yàn)，后驗(yàn)分布的KL距離；S(D，M) = dKL [P(M|D) ,P(M)]在這里米用Gamma/Poisson分布，即先驗(yàn)概率分布為Gamma分布，總體服從Poisson分布，因?yàn)樵摲植几鲁瑓?shù)的方法相對(duì)簡(jiǎn)單，并給出了事件發(fā)生的自然概率；定義Gamma分布如下:
權(quán)利要求
1.一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，包括如下步驟: 采用貝葉斯驚奇理論檢測(cè)視頻中的異常:異常在空間上的顯著性鄰域特征的先驗(yàn)分布與中心特征的后驗(yàn)分布的較大改變，在時(shí)間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗(yàn)分布與當(dāng)前幀中特征的后驗(yàn)分布有較大的改變； 在視頻中先檢測(cè)出多個(gè)時(shí)空興趣點(diǎn)(STIP)，使用光流估計(jì)法提取時(shí)空興趣點(diǎn)的鄰域及歷史幀中對(duì)應(yīng)位置的運(yùn)動(dòng)特征值，該運(yùn)動(dòng)特征值包括速度的幅度和方向； 利用參數(shù)估計(jì)方法計(jì)算時(shí)間上的先驗(yàn)分布和后驗(yàn)分布，空間上的先驗(yàn)分布和后驗(yàn)分布；已知時(shí)間、空間上的先驗(yàn)，后驗(yàn)分布，計(jì)算時(shí)間維度的KL距離，空間驚奇度，再合成總時(shí)空驚奇度； 統(tǒng)計(jì)在視頻中超過驚奇閾值的興趣點(diǎn)個(gè)數(shù)超過一定數(shù)量，則當(dāng)前幀為警告幀，當(dāng)視頻中興趣點(diǎn)的總時(shí)空驚奇度超過預(yù)先設(shè)定的閾值時(shí)，在視頻幀中標(biāo)記出異常區(qū)域。
2.如權(quán)利要求1所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，所述驚奇度采用先驗(yàn)分布后驗(yàn)分布的KL距離來度量，當(dāng)它們距離很大時(shí)發(fā)生驚奇，這里采用一種基于概率的距離度量方法一KL距離； 已知模型中的先驗(yàn)概率P CM),和獲得的新數(shù)據(jù)D，計(jì)算得到驚奇度，即先驗(yàn)，后驗(yàn)分布的KL距離；S(D，M) = dKL[P(M|D),P(M)] 在這里米用Gamma/Poisson分布，即先驗(yàn)概率分布為Gamma分布,總體服從Poisson分布，因?yàn)樵摲植几鲁瑓?shù)的方法相對(duì)簡(jiǎn)單，并給出了事件發(fā)生的自然概率； 定義Gamma分布如下:
3.如權(quán)利要求1所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，先檢測(cè)視頻中的時(shí)空興趣點(diǎn)(STIP)作為候選檢測(cè)點(diǎn)進(jìn)行特征提取計(jì)算光流； 對(duì)于空間維度驚奇值的計(jì)算，采用某一個(gè)興趣點(diǎn)的特征參與計(jì)算后驗(yàn)概率分布，而它0° -45° -135°鄰域點(diǎn)的特征參與計(jì)算先驗(yàn)概率分布；對(duì)鄰域特征使用高斯核權(quán)重，離中心興趣點(diǎn)遠(yuǎn)的權(quán)重小，離中心興趣點(diǎn)近的權(quán)重大，先驗(yàn)概率分布的超參數(shù)記為ap，;后驗(yàn)概率的超參數(shù)為a’p，f p;按照(3)式進(jìn)行超參數(shù)的更新；d為當(dāng)前幀內(nèi)的待檢測(cè)位置點(diǎn)的特征值，;為衰減因子；進(jìn)行KL距離的計(jì)算從而得到空間驚奇度；Gamma分布中的a參數(shù)估計(jì)使用Robbins-Monro算法，3參數(shù)估計(jì)使用最大似然估計(jì)法；
4.如權(quán)利要求1所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，當(dāng)視頻中多個(gè)興趣點(diǎn)的特征分布發(fā)生了變化，同時(shí)發(fā)生變化較大的興趣點(diǎn)個(gè)數(shù)較多的情況下，認(rèn)為發(fā)生了異常事件，進(jìn)行報(bào)警；統(tǒng)計(jì)每一幀中特征值隨時(shí)間的變化情況； Tl為特征值的時(shí)間空間先驗(yàn)分布和后驗(yàn)分布變化產(chǎn)生驚奇度的門限，N統(tǒng)計(jì)的是視頻中超過驚奇度閾值的檢測(cè)點(diǎn)個(gè)數(shù)，累計(jì)的檢測(cè)點(diǎn)個(gè)數(shù)超過足以生成報(bào)警的門限T2，則當(dāng)前幀報(bào)警，判別準(zhǔn)則: 如果監(jiān)測(cè)點(diǎn)的驚奇值(Surprise Value)超過閾值Tl，并且每一幀中超過驚奇閾值Tl的監(jiān)測(cè)點(diǎn)總數(shù)N大于閾值T2，則發(fā)出警告幀； 否則，繼續(xù)檢測(cè)。
5.如權(quán)利要求4所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在于，如果前Y幀中有K幀為警告幀，則向用戶生成一個(gè)‘報(bào)警信號(hào)’;在某些監(jiān)控場(chǎng)合中，特征值可能變化的非常緩慢，然而隨時(shí)間的積累，這種改變才逐漸顯現(xiàn)，特征值經(jīng)過400幀變化了僅20，是一種極其緩慢的變化，該序列如果采用較低閾值進(jìn)行檢測(cè)，則無法檢測(cè)出這種緩變，造成漏報(bào)。
6.如權(quán)利要求5所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法，其特征在與，預(yù)設(shè)值一般與異常事件的期望持續(xù)時(shí)長(zhǎng)相關(guān)，異常事件持續(xù)時(shí)間越長(zhǎng)，N設(shè)置小于Y，以獲得對(duì)遮擋和噪聲干擾等問題的魯棒性。
7.一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)裝置，其特征在于，包括時(shí)空興趣點(diǎn)檢測(cè)模塊、特征提取模塊和驚奇計(jì)算模塊和異常檢測(cè)模塊； 所述時(shí)空興趣點(diǎn)檢測(cè)模塊，用于采用貝葉斯驚奇理論檢測(cè)視頻中的異常:異常在空間上的顯著性鄰域特征的先驗(yàn)分布與中心特征的后驗(yàn)分布的較大改變，在時(shí)間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗(yàn)分布與當(dāng)前幀中特征的后驗(yàn)分布有較大的改變；在視頻中先檢測(cè)出多個(gè)時(shí)空興趣點(diǎn)(STIP)， 所述特征提取模塊，用于使用光流估計(jì)法提取時(shí)空興趣點(diǎn)的鄰域及歷史幀中對(duì)應(yīng)位置的運(yùn)動(dòng)特征值，該運(yùn)動(dòng)特征值包括速度的幅度和方向； 所述驚奇計(jì)算模塊，用于利用參數(shù)估計(jì)方法計(jì)算時(shí)間上的先驗(yàn)分布和后驗(yàn)分布，空間上的先驗(yàn)分布和后驗(yàn)分布；已知時(shí)間、空間上的先驗(yàn)，后驗(yàn)分布，計(jì)算時(shí)間維度的KL距離，空間驚奇度，再合成總時(shí)空驚奇度； 所述異常檢測(cè)模塊，用于統(tǒng)計(jì)在視頻中超過驚奇閾值的興趣點(diǎn)個(gè)數(shù)超過一定數(shù)量，則當(dāng)前幀為警告幀，當(dāng)視頻中興趣點(diǎn)的總時(shí)空驚奇度超過預(yù)先設(shè)定的閾值時(shí)，在視頻幀中標(biāo)記出異常區(qū)域。
8.根據(jù)權(quán)利要求7所述的一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)裝置，其特征在于，所述特征提取模塊中用于使用光流估計(jì)法 ，鄰域范圍選擇為0° -45° -135°。
全文摘要
本發(fā)明提出了一種基于貝葉斯驚奇度計(jì)算的視頻異常行為檢測(cè)方法及裝置，該方法包括提取視頻幀中的時(shí)空興趣點(diǎn)(STIP)作為待檢測(cè)點(diǎn)，采用光流法估計(jì)場(chǎng)景中待檢測(cè)點(diǎn)的運(yùn)動(dòng)速度大小和方向作為特征計(jì)算驚奇針對(duì)視頻在空間維度和時(shí)間維度上計(jì)算先驗(yàn)和后驗(yàn)概率分布，分別計(jì)算每個(gè)待檢測(cè)點(diǎn)的空間驚奇度以及時(shí)間驚奇度；再通過時(shí)間驚奇度與空間驚奇度合成總驚奇度；當(dāng)出現(xiàn)多個(gè)待監(jiān)測(cè)點(diǎn)驚奇值超過閾值的情況下，則警告出現(xiàn)異常。該裝置包括時(shí)空興趣點(diǎn)檢測(cè)模塊、特征提取模塊和驚奇計(jì)算模塊和異常檢測(cè)模塊。根據(jù)本發(fā)明提供的方法及裝置，可以實(shí)現(xiàn)對(duì)特定幾類的突發(fā)異常事件的檢測(cè)，其異常分析算法具有很好的適用性，并且具有很高的分類正確率。
文檔編號(hào)G06K9/00GK103198296SQ20131007330
公開日2013年7月10日 申請(qǐng)日期2013年3月7日 優(yōu)先權(quán)日2013年3月7日
發(fā)明者郭立, 謝錦生, 劉皓 申請(qǐng)人:中國(guó)科學(xué)技術(shù)大學(xué)