本發(fā)明屬于圖像數(shù)據(jù)處理或產(chǎn)生領(lǐng)域的圖像分析技術(shù)，具體涉及一種基于稀疏表示的自適應(yīng)加權(quán)雙字典異常檢測(cè)方法。

背景技術(shù)：

近年來，隨著整個(gè)社會(huì)安全意識(shí)的不斷提高，視頻監(jiān)控系統(tǒng)應(yīng)用越來越廣泛。但傳統(tǒng)的視頻監(jiān)控系統(tǒng)通常在事故發(fā)生后被用來分析事故原因，如果視頻監(jiān)控系統(tǒng)能在異常事件發(fā)生之前自動(dòng)把異常事件檢測(cè)出來并發(fā)出預(yù)警，這樣就能有效阻止異常事件的發(fā)生。

視頻中異常事件監(jiān)測(cè)是智能視頻監(jiān)控中一個(gè)重要的研究課題。在一些人流量比較大的公共場(chǎng)所，這些場(chǎng)所易發(fā)生群體性事件，如果不能及時(shí)預(yù)防并處理，會(huì)產(chǎn)生嚴(yán)重的影響。因此，對(duì)視頻監(jiān)控場(chǎng)景中的群體異常檢測(cè)具有重要的應(yīng)用價(jià)值。

當(dāng)前的視頻監(jiān)控技術(shù)主要集中在場(chǎng)景特征的提取以及異常檢測(cè)模型的研究上，其中，稀疏分析是近年來受到廣泛關(guān)注的信息處理方法，它可以在有效減少樣本數(shù)目的條件下，實(shí)現(xiàn)目標(biāo)結(jié)果的可靠分析和計(jì)算，特別適合于樣本集少但是特征又很高維的圖像研究，因此被廣泛應(yīng)用到監(jiān)控視頻分析領(lǐng)域。對(duì)提取出來的視頻特征用K均值奇異值分解(K-means Singular Value Decomposition，以下簡(jiǎn)稱K-SVD)方法進(jìn)行過完備字典學(xué)習(xí)，然后將測(cè)試樣本特征在字典上進(jìn)行稀疏表示，通過測(cè)試樣本特征的重建誤差以及重建系數(shù)的稀疏度即稀疏重建代價(jià)(Sparse Reconstruction Cost，以下簡(jiǎn)稱SRC)來判斷異常是否發(fā)生。該方法結(jié)合稀疏分析對(duì)特征進(jìn)行有效降維處理，進(jìn)而進(jìn)行異常事件的準(zhǔn)確的檢測(cè)，是一種有效的視頻異常檢測(cè)方法。但是在對(duì)視頻監(jiān)控序列進(jìn)行異常檢測(cè)研究時(shí)，通常都未能考慮場(chǎng)景的光照均勻度對(duì)其的影響，并且一般都是單字典稀疏表示，僅有的少數(shù)雙字典稀疏表示也未能考慮到光照均勻的影響。由于場(chǎng)景光照是否均勻?qū)σ曨l特征有重要的影響，進(jìn)而影響后續(xù)的異常檢測(cè)判斷，而單字典稀疏表示表達(dá)視頻特征比較單一，不能很好地反映場(chǎng)景信息，少數(shù)的雙字典稀疏表示也沒有以場(chǎng)景光照均勻的變化為依據(jù)來自適應(yīng)地進(jìn)行異常判斷?，F(xiàn)有技術(shù)中，還沒有發(fā)現(xiàn)提取兩種互補(bǔ)特的特征進(jìn)行雙字典學(xué)習(xí)以解決但字典稀疏表示表達(dá)視頻特征比較單一以及現(xiàn)有的雙字典稀疏表示沒有以場(chǎng)景光照均勻的變化為依據(jù)缺陷的嘗試。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)的技術(shù)問題是現(xiàn)有技術(shù)中基于視頻場(chǎng)景下異常檢測(cè)方法要處理的特征高維單一、算法復(fù)雜度高、未考慮場(chǎng)景光照變化影響的問題。

為解決上述問題，本發(fā)明提出了一種基于稀疏表示的自適應(yīng)加權(quán)雙字典異常檢測(cè)方法，在充分考慮到光照均勻度的影響以及單字典稀疏表不足的基礎(chǔ)上，本方法提取兩種互補(bǔ)的特征進(jìn)行雙字典學(xué)習(xí)，將測(cè)試樣本特征分別在字典上進(jìn)行稀疏表示得到雙字典的稀疏重建代價(jià)。利用高斯函數(shù)估計(jì)器根據(jù)視頻場(chǎng)景的亮度方差自適應(yīng)的調(diào)節(jié)兩部分稀疏重建代價(jià)的權(quán)重，使得異常檢測(cè)算法能夠根據(jù)場(chǎng)景的光照情況變化自適應(yīng)調(diào)節(jié)異常判斷的準(zhǔn)則，適應(yīng)場(chǎng)景的各種變化的情況，達(dá)到異常檢測(cè)算法的魯棒性和異常檢測(cè)的準(zhǔn)確性，能夠?qū)崿F(xiàn)對(duì)視頻監(jiān)控場(chǎng)景中群體異常事件的魯棒準(zhǔn)確檢測(cè)。

技術(shù)方案具體包括以下步驟：

(1)對(duì)監(jiān)控視頻序列提取兩種互補(bǔ)特征：主要活動(dòng)區(qū)域原圖特征和二值化差分圖像特征；

(2)利用部分兩種互補(bǔ)特征作為訓(xùn)練集特征進(jìn)行過完備雙字典學(xué)習(xí)，將測(cè)試樣本特征分別在過完備雙字典上進(jìn)行稀疏表示，計(jì)算樣本特征的兩部分SRC；

(3)計(jì)算視頻序列訓(xùn)練集的亮度方差，用以反映場(chǎng)景的光照均勻度，使用高斯函數(shù)估計(jì)器根據(jù)亮度方差估計(jì)兩部分SRC的權(quán)重；

(4)根據(jù)估計(jì)的兩部分權(quán)重對(duì)兩種SRC進(jìn)行加權(quán)求和，得到最終的SRC，判斷異常是否出現(xiàn)。

進(jìn)一步，上述步驟1中，對(duì)監(jiān)控視頻序列求兩種互補(bǔ)特征具體包括以下步驟：

(1)主要活動(dòng)區(qū)域提取原圖特征：把視頻序列轉(zhuǎn)換成灰度圖像序列，對(duì)灰度視頻相鄰幀進(jìn)行相減求幀間灰度差分圖像，對(duì)灰度差分圖像用OTSU法(最大類間方差法)進(jìn)行閾值分割得到二值化圖像，對(duì)二值化差分序列進(jìn)行檢測(cè)將1值區(qū)域的最大外接矩形區(qū)域確定為主要活動(dòng)區(qū)域，對(duì)該區(qū)域的原圖提取特征，減少圖像特征的冗余，提高特征的有效性；

(2)二值化差分圖像提取特征：同上對(duì)視頻圖像轉(zhuǎn)換成灰度圖像，相鄰幀間求差分圖像，對(duì)灰度差分圖像用OTSU法求灰度閾值，進(jìn)行閾值分割得到二值化圖像，根據(jù)上述得到的二值化差分圖像直接提取特征。

上述步驟2中，利用兩種互補(bǔ)特征分別進(jìn)行過完備字典學(xué)習(xí)，并將測(cè)試樣本特征在字典上進(jìn)行稀疏表示，計(jì)算SRC。具體包括以下步驟：

(1)利用部分主要活動(dòng)區(qū)域原圖特征作為訓(xùn)練集特征，進(jìn)行K-SVD過完備字典學(xué)習(xí)，并將測(cè)試樣本特征在學(xué)習(xí)到的字典上面進(jìn)行稀疏表示，根據(jù)以下公式(1)計(jì)算SRC_ori：

其中y為測(cè)試樣本特征，D為訓(xùn)練得到的過完備字典，x為y在字典D上的稀疏表示系數(shù)；

(2)利用部分二值化差分特征作為訓(xùn)練集特征，進(jìn)行K-SVD過完備字典學(xué)習(xí)，并將測(cè)試樣本特征在學(xué)習(xí)到的字典上面進(jìn)行稀疏表示，同理根據(jù)公式(1)計(jì)算SRC_bw。

上述步驟3中，計(jì)算視頻序列訓(xùn)練集的亮度方差，用以反映場(chǎng)景的光照均勻度，使用高斯函數(shù)估計(jì)器根據(jù)亮度方差估計(jì)兩部分SRC的權(quán)重，具體包括以下步驟：

(1)對(duì)于原圖字典SRC，較適合光照不均勻場(chǎng)景，此時(shí)亮度方差較大，原圖字典SRC權(quán)重w_ori應(yīng)隨著方差變大而變大，使用遞增部分的高斯函數(shù)估計(jì)器，將權(quán)重調(diào)大；

(2)對(duì)于二值化差分字典SRC，較適合光照均勻場(chǎng)景，此時(shí)亮度方差較小，二值化差分字典SRC權(quán)重w_bw應(yīng)隨著方差變小而變大，使用遞減部分的高斯函數(shù)估計(jì)器，將權(quán)重調(diào)大。

上述步驟4中，根據(jù)估計(jì)的兩部分權(quán)重對(duì)兩種SRC進(jìn)行加權(quán)求和，得到最終的SRC，用以判斷異常是否出現(xiàn)。具體包括以下步驟：

(1)根據(jù)步驟3中估計(jì)得到的雙字典權(quán)重w_ori和w_bw，利用以下公式(2)對(duì)兩部分SRC進(jìn)行加權(quán)求和，得到最終的SRC：

SRC＝w_ori*SRC_ori+w_bw*SRC_bw (2)

(2)把加權(quán)得到的SRC與訓(xùn)練得到的重建代價(jià)閾值T_SRC進(jìn)行比較，大于閾值則表示當(dāng)前幀為異常幀，否則判斷為正常幀。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

1，本發(fā)明,充分考慮場(chǎng)景光照是否均勻的影響，對(duì)視頻序列提取兩種互補(bǔ)特征，主要活動(dòng)區(qū)域原圖特征和差分二值化特征，利用原圖特征來彌補(bǔ)OTSU法差分二值化圖像對(duì)光照不均勻圖像效果不好的缺點(diǎn)，同時(shí)僅對(duì)檢測(cè)到的主要活動(dòng)區(qū)域進(jìn)行原圖特征提取降低了特征提取的復(fù)雜度又保證了特征提取的有效性，然后學(xué)習(xí)兩種過完備字典，將測(cè)試樣本特征分別在字典上進(jìn)行稀疏表示得到雙字典的SRC。

2，本發(fā)明計(jì)算視頻場(chǎng)景的亮度方差，利用高斯函數(shù)估計(jì)器自適應(yīng)的調(diào)節(jié)兩部分SRC的權(quán)重，使得異常檢測(cè)算法能夠很好地適應(yīng)場(chǎng)景光照的各種變化情況，保證算法的魯棒性和異常檢測(cè)的準(zhǔn)確性。

附圖說明

圖1是主要活動(dòng)區(qū)域提取示例。

圖2是二值化差分圖像示例。

圖3是根據(jù)場(chǎng)景光照均勻度(亮度方差)估計(jì)雙字典SRC權(quán)重的高斯函數(shù)估計(jì)器曲線。

圖4是本發(fā)明異常檢測(cè)方法具體實(shí)施例的流程示意圖。

圖5是光照均勻場(chǎng)景下異常檢測(cè)的實(shí)驗(yàn)結(jié)果。

圖6是光照不均勻場(chǎng)景下異常檢測(cè)的實(shí)驗(yàn)結(jié)果。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做進(jìn)一步詳盡的說明。

本發(fā)明的基本思想是對(duì)視頻監(jiān)控序列提取兩種互補(bǔ)特征，首先對(duì)視頻序列灰度差分圖像用最大類間方差法(又稱為OTSU法)閾值分割得到二值化差分圖像序列，在二值化差分圖像序列上提取特征。但是OTSU法二值化的閾值是全局閾值，不能很好地作用在光照不均勻圖像，考慮到光照均勻度對(duì)特征的影響，提取第二種互補(bǔ)特征：對(duì)視頻序列進(jìn)行主要活動(dòng)區(qū)域檢測(cè)，在檢測(cè)到的主要活動(dòng)區(qū)域提取原圖特征，減少圖像特征的冗余，提高特征的有效性。然后利用這兩種互補(bǔ)特征進(jìn)行過完備雙字典學(xué)習(xí)，將測(cè)試樣本特征分別在過完備雙字典上進(jìn)行稀疏表示，計(jì)算樣本特征的兩部分稀疏重建代價(jià)。利用高斯函數(shù)估計(jì)器根據(jù)視頻場(chǎng)景的亮度方差自適應(yīng)的調(diào)節(jié)兩部分稀疏重建代價(jià)的權(quán)重。場(chǎng)景光照較均勻時(shí)，亮度方差較小，這時(shí)候OTSU法二值化效果比較好，提取的差分特征比較有效，異常檢測(cè)要較為依賴二值化差分字典的SRC，要用高斯函數(shù)根據(jù)亮度方差將二值化差分字典的SRC權(quán)重調(diào)節(jié)大一點(diǎn)，將原圖特征字典的SRC權(quán)重調(diào)節(jié)小一點(diǎn)；同理場(chǎng)景光照較不均勻時(shí)，亮度方差較大，這時(shí)候OTSU法二值化效果較差，提取的差分特征不如原圖特征有效，異常檢測(cè)要較為依賴原圖特征字典的SRC，要用高斯函數(shù)根據(jù)亮度方差將原圖特征字典的SRC權(quán)重調(diào)節(jié)大一點(diǎn)，將二值化差分特征字典的SRC權(quán)重調(diào)節(jié)小一點(diǎn)。最后根據(jù)高斯函數(shù)估計(jì)得到的雙字典權(quán)重進(jìn)行加權(quán)求和得到最終的稀疏重建代價(jià)用于判斷異常是否出現(xiàn)。

本發(fā)明的具體實(shí)施方式分為以下4個(gè)步驟：

1、對(duì)監(jiān)控視頻序列提取兩種互補(bǔ)特征。

對(duì)視頻圖像主要活動(dòng)區(qū)域提取原圖特征：把視頻序列轉(zhuǎn)換成灰度圖像序列，對(duì)灰度視頻相鄰幀進(jìn)行相減求幀間灰度差分圖像，對(duì)灰度差分圖像用OTSU法進(jìn)行閾值分割得到二值化圖像，對(duì)二值化差分序列進(jìn)行檢測(cè)將1值區(qū)域的最大外接矩形區(qū)域確定為主要活動(dòng)區(qū)域如圖1(紅色矩形框內(nèi))所示，對(duì)該區(qū)域的原圖提取方向梯度直方圖(HOG)特征HOG_ori，減少圖像特征的冗余，提高特征的有效性。

對(duì)視頻圖像二值化差分圖像如圖2所示提取特征：同上對(duì)視頻圖像轉(zhuǎn)換成灰度圖像，相鄰幀間求差分圖像，對(duì)灰度差分圖像用OTSU法求灰度閾值，進(jìn)行閾值分割得到二值化圖像，根據(jù)上述得到的二值化差分圖像直接提取HOG特征HOG_bw。

2、結(jié)合字典學(xué)習(xí)方法K-SVD，用兩種互補(bǔ)特征的一部分作為訓(xùn)練集分別進(jìn)行過完備雙字典學(xué)習(xí)，將測(cè)試樣本集特征在雙字典上分別進(jìn)行稀疏表示，得到SRC。

對(duì)原圖HOG特征HOG_ori，取出部分特征作為訓(xùn)練集用K-SVD進(jìn)行過完備字典學(xué)習(xí)得到原圖特征字典D_ori，將測(cè)試樣本集特征在該字典上進(jìn)行稀疏表示，根據(jù)公式計(jì)算SRC_ori。

同上對(duì)二值化差分圖像特征HOG_bw，取出部分特征作為訓(xùn)練集用K-SVD進(jìn)行過完備字典學(xué)習(xí)得到原圖特征字典D_ori，將測(cè)試樣本集特征在該字典上進(jìn)行稀疏表示，根據(jù)公式計(jì)算SRC_bw。

3、計(jì)算視頻序列訓(xùn)練集的亮度方差var Y，用以反映場(chǎng)景的光照均勻度，使用高斯函數(shù)估計(jì)器如圖3所示根據(jù)亮度方差估計(jì)兩部分SRC的權(quán)重。

對(duì)于原圖字典SRC權(quán)重，較適合光照不均勻場(chǎng)景，此時(shí)亮度方差較大，原圖字典SRC權(quán)重w_ori應(yīng)隨著方差變大而變大，使用遞增部分的高斯函數(shù)估計(jì)器，將權(quán)重調(diào)大。高斯函數(shù)估計(jì)器如下式(3)所示：

其中本實(shí)驗(yàn)中將高斯函數(shù)估計(jì)器的均值μ_ori設(shè)為1，方差為0.25。

對(duì)于二值差分字典SRC權(quán)重，較適合光照均勻場(chǎng)景，此時(shí)亮度方差較小，二值差分字典SRC權(quán)重w_bw應(yīng)隨著方差變小而變大，使用遞減部分的高斯函數(shù)估計(jì)器，將權(quán)重調(diào)大。高斯函數(shù)估計(jì)器如下式(4)所示：

其中本實(shí)驗(yàn)中將高斯函數(shù)估計(jì)器的均值μ_bw設(shè)為0，方差為0.25。

4、根據(jù)估計(jì)的兩部分權(quán)重對(duì)兩種SRC進(jìn)行加權(quán)求和，得到最終的SRC，用以判斷異常是否出現(xiàn)。

根據(jù)上面估計(jì)得到的雙字典權(quán)重w_ori和w_bw，利用公式(2)對(duì)兩部分SRC進(jìn)行加權(quán)求和，得到最終的SRC。把最終得到的SRC與訓(xùn)練得到的重建代價(jià)閾值T_SRC進(jìn)行比較，當(dāng)測(cè)試特征SRC大于閾值說明它較難用字典進(jìn)行重建，其于正常視頻特征偏差較大，表示當(dāng)前幀為異常幀，否則判斷為正常幀。

實(shí)驗(yàn)結(jié)果如圖所示，圖5是光照均勻場(chǎng)景下異常檢測(cè)的結(jié)果，圖6是光照不均勻場(chǎng)景下異常檢測(cè)的結(jié)果。橫軸為視頻異常檢測(cè)測(cè)試幀數(shù)，縱軸為測(cè)試幀的SRC。

需要說明的是，以上所述僅為本發(fā)明的一個(gè)具體實(shí)施例，并不用以限制本發(fā)明，本實(shí)施例中所用數(shù)據(jù)集和攻擊模式僅限于本實(shí)施例，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。