两个人的电影免费视频_国产精品久久久久久久久成人_97视频在线观看播放_久久这里只有精品777_亚洲熟女少妇二三区_4438x8成人网亚洲av_内谢国产内射夫妻免费视频_人妻精品久久久久中国字幕

一種基于貝葉斯驚奇度計算的視頻異常行為檢測方法及裝置的制作方法

文檔序號:6588273閱讀:339來源:國知局
專利名稱:一種基于貝葉斯驚奇度計算的視頻異常行為檢測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領(lǐng)域,具體而言,本發(fā)明涉及一種基于貝葉斯驚奇度計算的視頻異常行為檢測方法及裝置。
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的。這無法滿足公安,銀行,交通等安全敏感的部門對視頻監(jiān)控提出的安防要求。異常行為辨識是智能監(jiān)控系統(tǒng)的主要任務(wù)。智能監(jiān)控系統(tǒng)的主要要求是實時性和魯棒性。目前的研究還主要集中在有限類別簡單規(guī)則的行為識別或者特定場景中的異常行為檢測上。異常行為的檢測有兩種常用的方法,一種是先給出異常行為的定義,建立異常行為數(shù)據(jù)庫,檢測時進行模板匹配,如場景中出現(xiàn)與數(shù)據(jù)庫中匹配的類似行為,則檢測出異常,這類方法主要用來分析單人行為,并且需要大量的先驗知識來構(gòu)建模型,而構(gòu)建出來的模型在場景適應(yīng)性和實時性上都存在缺陷。另一種方法是先定義正常行為,檢測時將場景中的行為與數(shù)據(jù)庫中的正常行為做似然度計算,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,這會造成大量人力資源的浪費。基于無(半)監(jiān)督的建模方法能夠自動地(半自動地)建立行為模型,可以減輕人的負擔(dān),同時增強算法的實用性?;诘蛯犹卣鞯姆椒ǐ@取特征簡單,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,而且全自動操作,計算速度較快,在一般場景中可以保證實時,這種描述行為的算法一直以來都是行為描述的一個重要方向。視覺注意機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)的方法估計出視頻中的異常區(qū)域,視覺注意機制的視覺驚奇(Surprise)計算,與其他機器視覺方法的區(qū)別在于在這個工作中完全不需要針對特殊種類的目標(biāo)和背景調(diào)整算法,使用一個簡單但相當(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景,公園,擁擠的街道,露天的天臺酒吧等)可靠的預(yù)測出觀測者會注意的區(qū)域。但處理不同的場景,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,而忽略時間信息。一般的,將機器學(xué)習(xí)系統(tǒng)訓(xùn)練時沒有學(xué)習(xí)的未知新數(shù)據(jù)的識別稱為新穎(novel)檢測。新穎檢測是在訓(xùn)練階段,機器學(xué)習(xí)正常數(shù)據(jù),然后使用先前未知的知識,分類機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。貝葉斯驚奇計算優(yōu)于直接測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,先驗知識與后驗知識的微小差別產(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,一個事件當(dāng)先驗概率分布與后驗概率分布之間的KL距離很大的時候發(fā)生驚奇。本發(fā)明將視覺注意模型中的驚奇計算應(yīng)用到視頻監(jiān)控領(lǐng)域,類生物學(xué)驚奇計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,使用時空驚奇計算模型檢測場景中檢測點特征的異常改變。

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,特別對實現(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算的視頻異常行為檢測方法,其特征在于,包括如下步驟:采用貝葉斯驚奇理論檢測視頻中的異常:異常在空間上的顯著性鄰域特征的先驗分布與中心特征的后驗分布的較大改變,在時間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗分布與當(dāng)前幀中特征的后驗分布有較大的改變;在視頻中先檢測出多個時空興趣點(STIP),使用光流估計法提取時空興趣點的鄰域及歷史幀中對應(yīng)位置的運動特征值,該運動特征值包括速度的幅度和方向;利用參數(shù)估計方法計算時間上的先驗分布和后驗分布,空間上的先驗分布和后驗分布;已知時間、空間上的先驗,后驗分布,計算時間維度的KL距離,空間驚奇度,再合成總時空驚奇度;統(tǒng)計在視頻中超過驚奇閾值的興趣點個數(shù)超過一定數(shù)量,則當(dāng)前幀為警告幀,當(dāng)視頻中興趣點的總時空驚奇度超過預(yù)先設(shè)定的閾值時,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分布與后驗分布的差別來度量,當(dāng)它們距離很大時說明導(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;已知模型中的先驗概率P CM),和獲得的新數(shù)據(jù)D,計算得到驚奇度,即先驗,后驗分布的KL距離;S(D,M) = dKL [P(M|D) ,P(M)]在這里米用Gamma/Poisson分布,即先驗概率分布為Gamma分布,總體服從Poisson分布,因為該分布更新超參數(shù)的方法相對簡單,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算的視頻異常行為檢測方法,其特征在于,包括如下步驟: 采用貝葉斯驚奇理論檢測視頻中的異常:異常在空間上的顯著性鄰域特征的先驗分布與中心特征的后驗分布的較大改變,在時間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗分布與當(dāng)前幀中特征的后驗分布有較大的改變; 在視頻中先檢測出多個時空興趣點(STIP),使用光流估計法提取時空興趣點的鄰域及歷史幀中對應(yīng)位置的運動特征值,該運動特征值包括速度的幅度和方向; 利用參數(shù)估計方法計算時間上的先驗分布和后驗分布,空間上的先驗分布和后驗分布;已知時間、空間上的先驗,后驗分布,計算時間維度的KL距離,空間驚奇度,再合成總時空驚奇度; 統(tǒng)計在視頻中超過驚奇閾值的興趣點個數(shù)超過一定數(shù)量,則當(dāng)前幀為警告幀,當(dāng)視頻中興趣點的總時空驚奇度超過預(yù)先設(shè)定的閾值時,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算的視頻異常行為檢測方法,其特征在于,所述驚奇度采用先驗分布后驗分布的KL距離來度量,當(dāng)它們距離很大時發(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; 已知模型中的先驗概率P CM),和獲得的新數(shù)據(jù)D,計算得到驚奇度,即先驗,后驗分布的KL距離;S(D,M) = dKL[P(M|D),P(M)] 在這里米用Gamma/Poisson分布,即先驗概率分布為Gamma分布,總體服從Poisson分布,因為該分布更新超參數(shù)的方法相對簡單,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算的視頻異常行為檢測方法,其特征在于,先檢測視頻中的時空興趣點(STIP)作為候選檢測點進行特征提取計算光流; 對于空間維度驚奇值的計算,采用某一個興趣點的特征參與計算后驗概率分布,而它0° -45° -135°鄰域點的特征參與計算先驗概率分布;對鄰域特征使用高斯核權(quán)重,離中心興趣點遠的權(quán)重小,離中心興趣點近的權(quán)重大,先驗概率分布的超參數(shù)記為ap,;后驗概率的超參數(shù)為a’p,f p;按照(3)式進行超參數(shù)的更新;d為當(dāng)前幀內(nèi)的待檢測位置點的特征值,;為衰減因子;進行KL距離的計算從而得到空間驚奇度;Gamma分布中的a參數(shù)估計使用Robbins-Monro算法,3參數(shù)估計使用最大似然估計法;
4.如權(quán)利要求1所述的一種基于貝葉斯驚奇度計算的視頻異常行為檢測方法,其特征在于,當(dāng)視頻中多個興趣點的特征分布發(fā)生了變化,同時發(fā)生變化較大的興趣點個數(shù)較多的情況下,認為發(fā)生了異常事件,進行報警;統(tǒng)計每一幀中特征值隨時間的變化情況; Tl為特征值的時間空間先驗分布和后驗分布變化產(chǎn)生驚奇度的門限,N統(tǒng)計的是視頻中超過驚奇度閾值的檢測點個數(shù),累計的檢測點個數(shù)超過足以生成報警的門限T2,則當(dāng)前幀報警,判別準(zhǔn)則: 如果監(jiān)測點的驚奇值(Surprise Value)超過閾值Tl,并且每一幀中超過驚奇閾值Tl的監(jiān)測點總數(shù)N大于閾值T2,則發(fā)出警告幀; 否則,繼續(xù)檢測。
5.如權(quán)利要求4所述的一種基于貝葉斯驚奇度計算的視頻異常行為檢測方法,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‘報警信號’;在某些監(jiān)控場合中,特征值可能變化的非常緩慢,然而隨時間的積累,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行檢測,則無法檢測出這種緩變,造成漏報。
6.如權(quán)利要求5所述的一種基于貝葉斯驚奇度計算的視頻異常行為檢測方法,其特征在與,預(yù)設(shè)值一般與異常事件的期望持續(xù)時長相關(guān),異常事件持續(xù)時間越長,N設(shè)置小于Y,以獲得對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算的視頻異常行為檢測裝置,其特征在于,包括時空興趣點檢測模塊、特征提取模塊和驚奇計算模塊和異常檢測模塊; 所述時空興趣點檢測模塊,用于采用貝葉斯驚奇理論檢測視頻中的異常:異常在空間上的顯著性鄰域特征的先驗分布與中心特征的后驗分布的較大改變,在時間上的突發(fā)性導(dǎo)致歷史幀中特征的先驗分布與當(dāng)前幀中特征的后驗分布有較大的改變;在視頻中先檢測出多個時空興趣點(STIP), 所述特征提取模塊,用于使用光流估計法提取時空興趣點的鄰域及歷史幀中對應(yīng)位置的運動特征值,該運動特征值包括速度的幅度和方向; 所述驚奇計算模塊,用于利用參數(shù)估計方法計算時間上的先驗分布和后驗分布,空間上的先驗分布和后驗分布;已知時間、空間上的先驗,后驗分布,計算時間維度的KL距離,空間驚奇度,再合成總時空驚奇度; 所述異常檢測模塊,用于統(tǒng)計在視頻中超過驚奇閾值的興趣點個數(shù)超過一定數(shù)量,則當(dāng)前幀為警告幀,當(dāng)視頻中興趣點的總時空驚奇度超過預(yù)先設(shè)定的閾值時,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算的視頻異常行為檢測裝置,其特征在于,所述特征提取模塊中用于使用光流估計法 ,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算的視頻異常行為檢測方法及裝置,該方法包括提取視頻幀中的時空興趣點(STIP)作為待檢測點,采用光流法估計場景中待檢測點的運動速度大小和方向作為特征計算驚奇針對視頻在空間維度和時間維度上計算先驗和后驗概率分布,分別計算每個待檢測點的空間驚奇度以及時間驚奇度;再通過時間驚奇度與空間驚奇度合成總驚奇度;當(dāng)出現(xiàn)多個待監(jiān)測點驚奇值超過閾值的情況下,則警告出現(xiàn)異常。該裝置包括時空興趣點檢測模塊、特征提取模塊和驚奇計算模塊和異常檢測模塊。根據(jù)本發(fā)明提供的方法及裝置,可以實現(xiàn)對特定幾類的突發(fā)異常事件的檢測,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G06K9/00GK103198296SQ20131007330
公開日2013年7月10日 申請日期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 申請人:中國科學(xué)技術(shù)大學(xué)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
邵阳市| 阳江市| 栾城县| 固原市| 古丈县| 福安市| 文水县| 江津市| 姜堰市| 萨迦县| 泰来县| 四子王旗| 洞口县| 贺州市| 宁陵县| 都昌县| 余干县| 浦县| 龙江县| 海淀区| 大悟县| 忻城县| 安平县| 斗六市| 龙江县| 柏乡县| 砚山县| 衡阳市| 柏乡县| 周口市| 新沂市| 韶山市| 靖江市| 德昌县| 石河子市| 阿坝县| 波密县| 政和县| 新龙县| 北票市| 平顶山市|