基于視頻運(yùn)動(dòng)信息特征提取與自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)的異常行為識(shí)別方法
【專利摘要】本發(fā)明涉及一種基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,包括:首先根據(jù)視頻相鄰圖像幀計(jì)算光流,由水平方向和豎直方向的光流計(jì)算光流方向,以光流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,并將直方圖特征轉(zhuǎn)換成具有概率屬性的特征屬性,然后根據(jù)正常和異常的訓(xùn)練樣本訓(xùn)練基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)得到分類器。測(cè)試階段,在使用訓(xùn)練得到的分類模型前,按照相鄰幀光流直方圖相同的計(jì)算方法,得到測(cè)試樣本的光流方向直方圖,最后根據(jù)訓(xùn)練學(xué)習(xí)得到的分類模型進(jìn)行測(cè)試樣本中的異常行為識(shí)別。本發(fā)明具有識(shí)別率高、計(jì)算復(fù)雜度小等特定,可廣泛應(yīng)用于異常行為識(shí)別、動(dòng)作分析領(lǐng)域。
【專利說(shuō)明】
基于視頻運(yùn)動(dòng)信息特征提取與自適應(yīng)増強(qiáng)算法的誤差反向傳 播網(wǎng)絡(luò)的異常行為識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理技術(shù),特別是設(shè)及一種基于視頻運(yùn)動(dòng)信息特征提取與基于自 適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法。
【背景技術(shù)】
[0002] 眾所周知,為了確保公共場(chǎng)所安全,監(jiān)控已經(jīng)被廣泛應(yīng)用。然而當(dāng)事故發(fā)生時(shí),由 于監(jiān)控室的工作人員面對(duì)眾多的監(jiān)控視頻,事故依然很難被及時(shí)發(fā)現(xiàn)。比如商場(chǎng)里突然出 現(xiàn)搶劫案,得不到及時(shí)處理將會(huì)造成更大的影響。因此,像商場(chǎng)、繁華街道、火車站、運(yùn)動(dòng)場(chǎng) 等公共場(chǎng)所都需要智能監(jiān)控。
[0003] 視頻中的異常行為識(shí)別一直廣泛受國(guó)內(nèi)外學(xué)者的關(guān)注。通常情況下,我們將異常 行為分為兩類:一是小概率或相反的先驗(yàn)規(guī)則的行為;二是與已知的正常行為模式不匹配 的行為。目前關(guān)于異常行為識(shí)別的方法主要有=類:支持向量機(jī)、決策樹和神經(jīng)網(wǎng)絡(luò)。異常 識(shí)別可W應(yīng)用于多種領(lǐng)域,比如交通、醫(yī)學(xué)等。
[0004] 由此可見(jiàn),現(xiàn)有技術(shù)中,基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost) 強(qiáng)分類器的在復(fù)雜場(chǎng)景中的異常檢測(cè)的方法在該領(lǐng)域是非常前沿的。
[0005] 近年來(lái),人工智能技術(shù)發(fā)展日益成熟,異常行為檢測(cè)問(wèn)題是其中一個(gè)研究熱點(diǎn),在 運(yùn)些年的研究過(guò)程中,許多研究者提出了有效的檢測(cè)方法。自適應(yīng)增強(qiáng)算法(Adaboost)是 Schapire和Freund在1995年提出的,有很多學(xué)者應(yīng)用運(yùn)一算法并且發(fā)表了文獻(xiàn)。運(yùn)一算法 的優(yōu)點(diǎn)是實(shí)用而且快速。本發(fā)明對(duì)于監(jiān)控視頻提取運(yùn)動(dòng)特征,與基于自適應(yīng)增強(qiáng)算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)相結(jié)合,快速的檢測(cè)視頻中的異常行為。
【發(fā)明內(nèi)容】
[0006] 有鑒于此,本發(fā)明的主要目的在于提供一種行為檢測(cè)精度高、行為識(shí)別準(zhǔn)確、計(jì)算 復(fù)雜度也比較低的基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng) 絡(luò)(BP Adaboost)的異常行為識(shí)別方法。
[0007] 為了達(dá)到上述目的,本發(fā)明提出的技術(shù)方案為:一種基于視頻運(yùn)動(dòng)信息特征提取 與基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,實(shí)現(xiàn)步 驟如下:
[000引步驟1、讀取訓(xùn)練樣本視頻,將視頻分解成單個(gè)帖,根據(jù)相鄰帖計(jì)算光流;
[0009] 步驟2、根據(jù)步驟1得到的光流,由水平方向和豎直方向的光流計(jì)算光流方向,W光 流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將光流直方圖作為描述場(chǎng)景中運(yùn)動(dòng)信息的特征 向量;
[0010] 步驟3、將步驟2得到的訓(xùn)練樣本的特征向量分成正常和異常兩類,根據(jù)正常和異 常類的視頻樣本,得到運(yùn)動(dòng)的特征向量,即全圖的光流方向直方圖,用運(yùn)些特征數(shù)據(jù)訓(xùn)練BP 網(wǎng)絡(luò)的弱分類器,即基于圖像運(yùn)動(dòng)特征的訓(xùn)練得到弱分類器;
[0011] 步驟4、根據(jù)弱分類器的結(jié)果,利用自適應(yīng)增強(qiáng)算法(Adaboost)調(diào)整若干個(gè)弱分類 器的權(quán)重,由若干個(gè)弱分類器加權(quán)得到強(qiáng)分類器;
[0012] 步驟5、根據(jù)步驟4得到的強(qiáng)分類器,便可W進(jìn)行測(cè)試,讀取待檢測(cè)視頻,按照步驟1 的方法,將視頻分解成單帖,根據(jù)相鄰帖計(jì)算光流;
[0013] 步驟6、由步驟5得到的光流,根據(jù)水平方向和豎直方向的光流計(jì)算光流方向,W光 流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將直方圖作為描述場(chǎng)景中運(yùn)動(dòng)信息的特征向 量;
[0014] 步驟7、根據(jù)步驟4得到的強(qiáng)分類器和步驟6計(jì)算得到的特征向量,對(duì)待測(cè)試樣本進(jìn) 行檢測(cè),便可檢測(cè)正常、異常兩類視頻帖。
[0015] 所述步驟2中W光流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖的方法如下:
[0016] 步驟i)將每一帖圖像劃分為相互重疊的圖像塊,每個(gè)圖像塊中包括若干圖像元 胞;
[0017] 步驟ii)在由步驟i)中得到的每個(gè)圖像元胞中計(jì)算光流方向,并W光流強(qiáng)度為權(quán) 重,對(duì)光流方向進(jìn)行加權(quán);
[0018] 步驟i i i)步驟i i)中得到的光流方向計(jì)算每個(gè)圖像元胞中的光流方向直方圖;
[0019] 步驟iv)最后對(duì)每個(gè)圖像元胞的光流方向直方圖進(jìn)行串聯(lián),得到整幅圖像的光流 方向直方圖,用來(lái)描述圖像運(yùn)動(dòng)信息。
[0020] 所述步驟(3)和步驟(4)的具體過(guò)程為:
[0021 ]步驟i)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化,從樣本空間中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù),初始化數(shù)據(jù) 的分布權(quán)值Dt(i) = l/m,根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò),初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和 闊值;
[0022] 步驟ii)弱分類器預(yù)測(cè),訓(xùn)練第t個(gè)弱分類器時(shí),用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且 預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出,得到預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et,誤差和的計(jì)算公式為:
!?二 1.2、...,巧 1 (g(〇 勺')。
[0023] 式中,g(t)為預(yù)測(cè)序列;y為期望分類結(jié)果;Di(i)為測(cè)試數(shù)據(jù)的分布權(quán)值。
[0024] 步驟iii)計(jì)算預(yù)測(cè)序列權(quán)重,根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et計(jì)算序列的權(quán)重 at,權(quán)重計(jì)算公式天
;
[0025] 步驟iv)測(cè)試數(shù)據(jù)權(quán)重調(diào)整,根據(jù)預(yù)測(cè)序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重,調(diào)整 公式為:
[0026]
I = 1,2,.,. ,m
[0027] 式中,Bt是歸一化因子,目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1;
[002引步驟V)訓(xùn)練T輪后得至I"組弱分類器f(gt,at),由T組弱分類器f(gt,at)組合得到了 強(qiáng)分類器Mx);
[0029]步驟Vi)訓(xùn)練樣本中將正常樣本設(shè)為1,異常樣本設(shè)為-1,利用強(qiáng)分類器與待測(cè)視 頻的特征數(shù)據(jù)進(jìn)行運(yùn)算,得到分類結(jié)果,
[0030]
[0031] 所述步驟(7)中對(duì)待測(cè)試樣本進(jìn)行檢測(cè)時(shí),通過(guò)對(duì)圖像運(yùn)動(dòng)信息進(jìn)行檢測(cè),能夠得 到異常行為。
[0032] 綜上所述,本發(fā)明所述的基于視頻運(yùn)動(dòng)信息特征提取與BP Adaboost的異常行為 識(shí)別方法,首先對(duì)樣本視頻進(jìn)行單帖分解,由視頻相鄰帖計(jì)算光流,根據(jù)水平方向和垂直方 向的光流計(jì)算光流方向,W光流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將直方圖特征轉(zhuǎn) 換成具有概率屬性的特征向量。根據(jù)正常和異常類的視頻樣本,訓(xùn)練BP Adaboost模型得到 高準(zhǔn)確率的分類器。在對(duì)待測(cè)視頻樣本進(jìn)行視頻帖分解,采用相同的方法獲取光流方向直 方圖,并W直方圖特征描述圖像運(yùn)動(dòng)信息。根據(jù)得到的分類器與計(jì)算得到的特征算子,對(duì)待 測(cè)試樣本進(jìn)行檢測(cè)。
[0033] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:本發(fā)明具有行為檢測(cè)精度高,行為識(shí)別準(zhǔn)確、 計(jì)算復(fù)雜度小等特定,可廣泛應(yīng)用于異常行為識(shí)別、動(dòng)作分析領(lǐng)域。B巧巾經(jīng)網(wǎng)絡(luò)具有并行處 理、聯(lián)想記憶和自適應(yīng)學(xué)習(xí)的能力,在非線性優(yōu)化、預(yù)測(cè)評(píng)估和自適應(yīng)控制等領(lǐng)域有廣泛的 應(yīng)用,但當(dāng)應(yīng)用到安全監(jiān)測(cè)時(shí),由于其泛化能力受到隱層層數(shù)、輸入因子數(shù)等的影響,需經(jīng) 過(guò)不斷嘗試才能建立一個(gè)較好的模型;而Adaboost算法能對(duì)同一個(gè)訓(xùn)練集進(jìn)行訓(xùn)練得到不 同的弱分類器,將弱分類器按不同的權(quán)重疊加(Boost)得到強(qiáng)分類器,將BP神經(jīng)網(wǎng)絡(luò)與 Adaboost算法相結(jié)合得到的模型既避免了不斷嘗試的繁瑣過(guò)程,又提高了 BP神經(jīng)網(wǎng)絡(luò)的泛 化能力,預(yù)測(cè)精度更高,穩(wěn)定性更好。
【附圖說(shuō)明】
[0034] 圖1為本發(fā)明實(shí)現(xiàn)流程圖;
[0035] 圖2是本發(fā)明所述基于光流場(chǎng)的光流方向直方圖計(jì)算方法流程圖;
[0036] 圖3是本發(fā)明所述基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)分類 器訓(xùn)練方法。
【具體實(shí)施方式】
[0037] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合附圖及具體實(shí)施例對(duì) 本發(fā)明作進(jìn)一步地詳細(xì)描述。
[0038] 本發(fā)明所述的基于視頻運(yùn)動(dòng)信息特征提取與BP Adaboost的異常行為識(shí)別方法, 首先對(duì)樣本視頻進(jìn)行單帖分解,由視頻相鄰帖計(jì)算光流,根據(jù)水平方向和垂直方向的光流 計(jì)算光流方向,W光流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將直方圖特征轉(zhuǎn)換成具有 概率屬性的特征向量。根據(jù)正常和異常類的視頻樣本,訓(xùn)練BP Adaboost模型得到高準(zhǔn)確率 的分類器。在對(duì)待測(cè)視頻樣本進(jìn)行視頻帖分解,采用相同的方法獲取光流方向直方圖,并W 直方圖特征描述圖像運(yùn)動(dòng)信息。根據(jù)得到的分類器與計(jì)算得到的特征算子,對(duì)待測(cè)試樣本 進(jìn)行檢測(cè)。
[0039] 如圖1所示,本發(fā)明具體實(shí)現(xiàn)如下步驟:
[0040] 步驟1)、讀取訓(xùn)練樣本視頻,將視頻分解成單帖,根據(jù)相鄰帖計(jì)算光流;
[0041 ] 步驟2)、根據(jù)步驟1)得到的光流,由水平方向和豎直方向的光流計(jì)算光流方向,W 光流的強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將直方圖特征轉(zhuǎn)換成具有概率屬性的特征向 量;
[0042] 步驟3)、根據(jù)正常和異常類的視頻樣本,訓(xùn)練BP網(wǎng)絡(luò)弱分類器;
[0043] 步驟4)、根據(jù)弱分類器的結(jié)果,利用Adaboost原理調(diào)整各分類器的權(quán)重,得到高準(zhǔn) 確率的強(qiáng)分類器。
[0044] 步驟5)、讀取待檢測(cè)視頻,將視頻分解成單帖,根據(jù)相鄰帖計(jì)算光流;
[0045] 步驟6)、根據(jù)水平方向和豎直方向的光流計(jì)算光流方向,W光流的強(qiáng)度為權(quán)重計(jì) 算光流方向直方圖,然后將直方圖作為描述場(chǎng)景中運(yùn)動(dòng)信息的特征向量;
[0046] 步驟7)、根據(jù)視頻運(yùn)動(dòng)信息特征提取方法,計(jì)算帶測(cè)試的視頻中的相關(guān)運(yùn)動(dòng)信息, 即光流方向直方圖,而后利用步驟3與步驟4得到的強(qiáng)分類器對(duì)光流方向直方圖進(jìn)行分類, 得到所檢測(cè)帖的標(biāo)識(shí),根據(jù)分類結(jié)果,即得到正常、異常兩類視頻帖。
[0047] 如圖2所示,所述步驟2)中的光流方向直方圖計(jì)算方法如下:
[0048] 步驟i)、將每一帖圖像劃分為相互重疊的圖像塊,每個(gè)圖像塊中包括若干圖像元 胞;
[0049] 步驟ii)、在由步驟i)中得到的每個(gè)元胞中計(jì)算光流方向,并W光流強(qiáng)度為權(quán)重, 對(duì)光流方向進(jìn)行加權(quán);
[0050] 步驟iii)、步驟ii)中得到的光流方向分到9個(gè)分區(qū)中,計(jì)算光流方向直方圖;
[0051] 步驟iv)、最后對(duì)全圖的光流直方圖為每個(gè)圖像塊的串聯(lián);
[0052] 光流方向直方圖作為本發(fā)明所述一種描述符,其計(jì)算過(guò)程中的超參數(shù),比如重疊 比、塊大小和圖像元胞大小,是由使用交叉驗(yàn)證或驗(yàn)證集的網(wǎng)格捜索決定。從視頻中分解出 的視頻帖,首先計(jì)算光流從而獲得低等級(jí)特征。為了獲取光流方向直方圖,每一帖都被分解 成密度和重疊塊,然后分割成圖像元胞,W光流強(qiáng)度對(duì)每一個(gè)元胞的光流方向進(jìn)行加權(quán)。直 方圖通過(guò)圖像元胞中的光流場(chǎng)方向生成,光流方向直方圖是通過(guò)串聯(lián)所有圖像塊的直方圖 獲得。
[0053] 如圖3所示,所述步驟3中的分類闊值計(jì)算方法是,根據(jù)隱馬爾可夫模型對(duì)正常和 異常的視頻樣本進(jìn)行分析,根據(jù)模擬退火算法得到分類闊值。
[0054] Adaboost算法的思想是合并多個(gè)"弱"分類器的輸出W產(chǎn)生有效分類。其主要步驟 為:首先給出弱學(xué)習(xí)算法和樣本空間(x,y),從樣本空間中找出m組訓(xùn)練數(shù)據(jù),每組訓(xùn)練數(shù)據(jù) 送我權(quán)重都是1/m,然后用弱學(xué)習(xí)算法迭代運(yùn)算T次,每次運(yùn)算后都按照分類結(jié)果更新訓(xùn)練 數(shù)據(jù)權(quán)重分布,對(duì)于分類失敗的訓(xùn)練個(gè)體賦予較大權(quán)重,下一次迭代運(yùn)算時(shí)更加關(guān)注運(yùn)些 訓(xùn)練個(gè)體。弱分類器通過(guò)反復(fù)迭代得到一個(gè)分類函數(shù)序列fl,f2,…fT,每個(gè)分類函數(shù)賦予一 個(gè)權(quán)重,分類結(jié)果越好的函數(shù),其對(duì)應(yīng)權(quán)重越大。T次迭代后,最終強(qiáng)分類函數(shù)F由弱分類函 數(shù)加權(quán)得到。BP Adaboost模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器,反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣 本輸出,通過(guò)Adaboost算法得到多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。
[0化日]算法步驟如下:
[0056] 步驟i)、數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化。從樣本空間中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù),初始化數(shù) 據(jù)的分布權(quán)值Dt( i ) = 1/m,根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò),初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值 和闊值。
[0057] 步驟ii)、弱分類器預(yù)測(cè)。訓(xùn)練第t個(gè)弱分類器時(shí),用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且 預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出,得到預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et,誤差和的計(jì)算公式為:
[0化引
[0059] 式中,g(t)為預(yù)測(cè)序列;y為期望分類結(jié)果。
[0060] 步驟iii)、計(jì)算預(yù)測(cè)序列權(quán)重。根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et計(jì)算序列的權(quán) 重at,權(quán)重計(jì)算公式戈
[0061] 步驟iv)、測(cè)試數(shù)據(jù)權(quán)重調(diào)整。根據(jù)預(yù)測(cè)序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重,調(diào) 整公式為:
[0062]
J = 1,2,,.. ,m
[0063] 式中,Bt是歸一化因子,目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1。
[0064] 步驟V)、強(qiáng)分類函數(shù)。訓(xùn)練T輪后得到T組弱分類器f(gt,at),由T組弱分類函數(shù)f (gt,at)組合得到了強(qiáng)分類器。
[00 化]
[0066] 式中at為權(quán)重,Si即為符號(hào)函數(shù)。
[0067] 光流方向直方圖不僅有高的計(jì)算效率,對(duì)噪聲有著更好的容忍度。
[0068] 綜上所述,W上僅為本發(fā)明的較佳實(shí)施例而已,并非用于限定本發(fā)明的保護(hù)范圍。 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)。
【主權(quán)項(xiàng)】
1. 一種基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,其特征在于實(shí)現(xiàn)步驟如下: 步驟1、讀取訓(xùn)練樣本視頻,將視頻分解成單個(gè)幀,根據(jù)相鄰幀計(jì)算光流; 步驟2、根據(jù)步驟1得到的光流,由水平方向和豎直方向的光流計(jì)算光流方向,以光流的 強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將光流直方圖作為描述場(chǎng)景中運(yùn)動(dòng)信息的特征向 量; 步驟3、將步驟2得到的訓(xùn)練樣本的特征向量分成正常和異常兩類,根據(jù)正常和異常類 的視頻樣本,得到運(yùn)動(dòng)的特征向量,即全圖的光流方向直方圖,用這些特征數(shù)據(jù)訓(xùn)練BP網(wǎng)絡(luò) 的弱分類器,即基于圖像運(yùn)動(dòng)特征的訓(xùn)練得到弱分類器; 步驟4、根據(jù)弱分類器的結(jié)果,利用基于自適應(yīng)增強(qiáng)算法的誤差反向傳播網(wǎng)絡(luò) (Adaboost)調(diào)整若干個(gè)弱分類器的權(quán)重,由若干個(gè)弱分類器加權(quán)得到強(qiáng)分類器; 步驟5、根據(jù)步驟4得到的強(qiáng)分類器,便可以進(jìn)行測(cè)試,讀取待檢測(cè)視頻,按照步驟1的方 法,將視頻分解成單幀,根據(jù)相鄰幀計(jì)算光流; 步驟6、由步驟5得到的光流,根據(jù)水平方向和豎直方向的光流計(jì)算光流方向,以光流的 強(qiáng)度為權(quán)重計(jì)算光流方向直方圖,然后將直方圖作為描述場(chǎng)景中運(yùn)動(dòng)信息的特征向量; 步驟7、根據(jù)步驟4得到的強(qiáng)分類器和步驟6計(jì)算得到的特征向量,對(duì)待測(cè)試樣本進(jìn)行檢 測(cè),便可檢測(cè)正常、異常兩類視頻幀。2. 根據(jù)權(quán)利要求1所述的一種基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,其特征在于:所述步驟2中以光流的 強(qiáng)度為權(quán)重計(jì)算光流方向直方圖的方法如下: 步驟i)將每一幀圖像劃分為相互重疊的圖像塊,每個(gè)圖像塊中包括若干圖像元胞; 步驟ii)在由步驟i)中得到的每個(gè)圖像元胞中計(jì)算光流方向,并以光流強(qiáng)度為權(quán)重,對(duì) 光流方向進(jìn)行加權(quán); 步驟iii)步驟ii)中得到的光流方向計(jì)算每個(gè)圖像元胞中的光流方向直方圖; 步驟iv)最后對(duì)每個(gè)圖像元胞的光流方向直方圖進(jìn)行串聯(lián),得到整幅圖像的光流方向 直方圖,用來(lái)描述圖像運(yùn)動(dòng)信息。3. 根據(jù)權(quán)利要求1所述的一種基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,其特征在于:所述步驟(3)和步驟(4) 的具體過(guò)程為: 步驟i)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化,從樣本空間中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù),初始化數(shù)據(jù)的分 布權(quán)值Dt (i ) = Ι/m,根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò),初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值; 步驟ii)弱分類器預(yù)測(cè),訓(xùn)練第t個(gè)弱分類器時(shí),用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè) 訓(xùn)練數(shù)據(jù)輸出,得到預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et,誤差和的計(jì)算公式為 1,2,... ,m(g(t)^y);式中,g(t)為預(yù)測(cè)序列;y為期望分類結(jié)果;D1Q)為測(cè)試數(shù)據(jù)的分布權(quán)值; 步驟iii)計(jì)算預(yù)測(cè)序列權(quán)重,根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et計(jì)算序列的權(quán)重&,權(quán) 重計(jì)算公式7步驟iv)測(cè)試數(shù)據(jù)權(quán)重調(diào)整,根據(jù)預(yù)測(cè)序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重,調(diào)整公式 為: 式中,Bt是歸一化因子,目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1; 步驟V)訓(xùn)練T輪后得到T組弱分類器f(gt,at),由T組弱分類器f(gt,a t)組合得到了強(qiáng)分 類器h(x); 步驟vi)訓(xùn)練樣本中將正常樣本設(shè)為1,異常樣本設(shè)為-1,利用強(qiáng)分類器與待測(cè)視頻的 撒抿講軒壇管.犋剄分悉鈷里.4.根據(jù)權(quán)利要求1所述的一種基于視頻運(yùn)動(dòng)信息特征提取與基于自適應(yīng)增強(qiáng)算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識(shí)別方法,其特征在于:所述步驟(7)的具體過(guò) 程為: 步驟i)根據(jù)視頻運(yùn)動(dòng)信息特征提取方法,計(jì)算帶測(cè)試的視頻中的相關(guān)運(yùn)動(dòng)信息,即光 流方向直方圖; 步驟ii)利用步驟3與步驟4得到的強(qiáng)分類器對(duì)光流方向直方圖進(jìn)行分類,得到所檢測(cè) 幀的標(biāo)識(shí); 步驟iii)根據(jù)分類結(jié)果,即得到正常、異常兩類視頻幀。
【文檔編號(hào)】G06K9/62GK106022229SQ201610309832
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月11日
【發(fā)明人】王田, 張雨琪, 喬美娜, 陶飛
【申請(qǐng)人】北京航空航天大學(xué)