一種基于高斯混合模型的視頻中異常行為在線檢測方法
【專利摘要】本發明公開了一種基于高斯混合模型的視頻中異常行為在線檢測方法，首先從視頻中提取原圖像序列，對原圖像序列中的每張圖像執行步驟一至步驟四：步驟一，合成原圖像的低分辨率圖像；步驟二，分別計算原圖像和低分辨率圖像中的光流；步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成圖像塊；步驟四，為原圖像和低分辨率圖像中每個圖像塊計算對應的高斯混合模型；步驟五，計算圖像塊序列的標準高斯混合模型；步驟六，將原圖像序列的下一張圖像作為待檢測圖像，按照步驟1至步驟4計算待檢測圖像中每個圖像塊的高斯混合模型；步驟七，判斷待檢測圖像中每個圖像塊是否存在異常行為；步驟八，標記異常圖像塊并輸出。
【專利說明】
【技術領域】
[0001] 本發明涉及一種視頻流中異常行為在線檢測方法，特別是將高斯混合模型應用到 對光流分布的建模中。 一種基于高斯混合模型的視頻中異常行為在線檢測方法

【背景技術】
[0002] 近年來，大量的研究人員對場景中異常行為檢測問題進行了研究，并提出了一些 異常行為檢測方法。這些方法大致可以分為兩類：基于事件檢測的方法和基于統計偏離的 方法。基于事件檢測的方法對場景中每一個具體的異常行為進行建模，與某個異常行為相 匹配運動被檢測為異常行為；而基于統計偏離的方法則對場景中正常的運動進行了建模， 與所有正常運動都不一致的運動被定義為異常行為。
[0003] 在基于事件檢測的方法中，通常假設所有的異常事件或異常行為是已知的。基于 上述假設，該類方法的主要思路如下：首先，從場景數據中選取包含場景中典型異常事件的 訓練數據。然后，根據相應的訓練數據對每一中異常事件進行建模，創建一個由異常事件構 成的字典。該字典被認為包含了場景中所有可能的異常事件。接著，在字典中查找是否存 在與測試視頻所包含的事件相匹配的異常事件。如果匹配成功，則該測試視頻中包含匹配 項對應的異常事件；否則，該測試視頻不包含異常行為。然而，基于事件檢測的方法存在兩 個重要的問題：
[0004] 1.需要對每一個異常事件建模，創建異常字典，這往往需要消耗大量時間用來建 立字典且準確度不高。
[0005] 2.這種方法的移植性差，對場景的依賴性強。
[0006] 針對這些問題，我們采用基于統計偏離的方法，該方法可以進一步分為兩類，一類 是基于跟蹤的方法，另一類是避免跟蹤的方法。本專利中，采用避免跟蹤的方法，與基于跟 蹤的方法不同，本方法不用提前識別每個對象，檢測的目標為圖像塊，這樣可以避免對象識 別與跟蹤錯誤導致的檢測失敗，在可以提高檢測速度的同時保證了準確度。


【發明內容】

[0007] 發明目的：本發明所要解決的技術問題是針對現有的視頻中異常檢測技術的不 足，提供一種基于高斯混合模型的視頻中異常行為在線檢測方法，可以從視頻中快速準確 的檢測出異常。
[0008] 為了解決上述技術問題，本發明公開了一種基于高斯混合模型的視頻中異常行為 在線檢測方法，首先從視頻中提取原圖像序列，對原圖像序列中的每張圖像執行步驟一至 步驟四：
[0009] 步驟一，合成原圖像的低分辨率圖像，得到原圖像和低分辨率圖像兩種不同分辨 率下的圖像；
[0010] 步驟二，利用Lucas-Kanade算法分別計算原圖像和低分辨率圖像中的光流并對 得到的光流進行噪聲處理； toon] 步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成 MXN個圖像塊，M，N取值范圍自然數；
[0012] 步驟四，為原圖像和低分辨率圖像中每個圖像塊計算對應的高斯混合模型：首先 對圖像塊中的光流聚類，得到K個聚類中心，然后設置該圖像塊對應的高斯混合模型所包 含的高斯分量數目為K，利用最大似然估計算法計算高斯混合模型中的最大似然估計值； 最后得到該圖像塊對應的高斯混合模型；
[0013] 步驟五，分別對原圖像序列和低分辨率圖像序列中相同位置處的圖像塊合成標準 高斯混合模型：首先聚類圖像塊序列對應的高斯混合模型序列，然后選擇聚類結果中包含 高斯混合模型最多的聚類中心作為該圖像塊序列的標準高斯混合模型；
[0014] 步驟六，將原圖像序列的下一張圖像作為待檢測圖像，按照步驟一至步驟四計算 待檢測圖像中每個圖像塊的高斯混合模型；
[0015] 步驟七，判斷待檢測圖像中每個圖像塊是否存在異常行為；
[0016] 步驟八，標記異常圖像塊并輸出。
[0017] 本發明步驟一中，低分辨率圖像Γ中像素點（X，y)的灰度值由原圖像I中以像素 點（2x，2y)為中心的5X5鄰域內的灰度值合成，首先將5X5鄰域內每一行5個像素按照 1:4:6:4:1的比例合成出該行中間像素的灰度值：
[0018]

【權利要求】
1. 一種基于高斯混合模型的視頻中異常行為在線檢測方法，其特征在于，包括以下步 驟： 從視頻中提取原圖像序列，對原圖像序列中的每張圖像執行步驟一至步驟四： 步驟一，合成原圖像的低分辨率圖像，得到原圖像和低分辨率圖像兩種不同分辨率下 的圖像； 步驟二，利用Lucas-Kanade算法分別計算原圖像和低分辨率圖像中的光流并對得到 的光流進行噪聲處理； 步驟三，分別按照原圖像和低分辨率圖像各自的劃分方法將這兩種圖像劃分成MXN 個圖像塊，M，N取值范圍自然數； 步驟四，為原圖像和低分辨率圖像中每個圖像塊計算對應的高斯混合模型：首先對圖 像塊中的光流聚類，得到K個聚類中心，然后設置該圖像塊對應的高斯混合模型所包含的 高斯分量數目為K，利用最大似然估計算法計算高斯混合模型中的最大似然估計值，得到該 圖像塊對應的高斯混合模型； 步驟五，分別對原圖像序列和低分辨率圖像序列中相同位置處的圖像塊合成標準高斯 混合模型：首先聚類圖像塊序列對應的高斯混合模型序列，然后選擇聚類結果中包含高斯 混合模型最多的聚類中心作為該圖像塊序列的標準高斯混合模型； 步驟六，將原圖像序列的下一張圖像作為待檢測圖像，按照步驟一至步驟四計算待檢 測圖像中每個圖像塊的高斯混合模型； 步驟七，判斷待檢測圖像中每個圖像塊是否存在異常行為； 步驟八，標記異常圖像塊并輸出。
2. 根據權利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測方法，其 特征在于，步驟四包括以下步驟： 利用Mean Shift聚類算法對圖像塊中的光流聚類，得到K個聚類中心以及每個類別中 包含的光流數目； 使用高斯混合模型描述圖像塊中光流的分布，其中高斯混合模型表示為：
其中，K表示高斯混合模型中高斯分量的數目，值等于光流聚類中心的數量，參數k取 值1?K，c〇k表示高斯混合模型中第k個高斯分量的權重，初始化為第k個類別中包含光 流數目的比例，v表示光流，N k(v|uk，Σ,)表示第k個高斯分量，％和Σ,表示第k個高斯 分量的均值和協方差矩陣； 利用最大似然估計算法，學習得到K個高斯混合模型的參數c〇k，Uk，Σ,，最終得到。
3. 根據權利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測方法，其 特征在于，步驟五包括以下步驟： 利用改進的Mean Shift聚類算法對步驟四得到的高斯混合模型聚類，聚類算法包括以 下步驟： 步驟51 :隨機選取一個高斯混合模型為起點，計算以起點為中心的鄰域內高斯混合模 型的中心，高斯混合模型鄰域內的中心表示為在該高斯混合模型和其鄰域內的高斯混合模 型構成的集合中，到其他高斯混合模型的距離之和最小的高斯混合模型； 步驟52 :以中心對應的高斯混合模型為起點，繼續計算以起點為中心的鄰域內高斯混 合模型的中心； 步驟53 :重復步驟51和步驟52,直至連續兩個中心的距離小于設定閾值，停止迭代； 步驟54 :對每個未選取過的高斯混合模型，重復步驟51?步驟53,直至所有的高斯混 合模型都被選取過； 該聚類算法中，兩個高斯混合模型的距離使用KL散度計算，KL散度計算公式為：
gl和g2為需要計算KL散度的兩個高斯混合模型，Vi表示第i個光流，D a(gl，g2)為gl 和g2之間的KL散度，η表示在高斯混合模型中抽取的樣本點個數； 高斯混合模型gl和g2的抽樣過程分為兩步：首先按照各自高斯混合模型中高斯分量的 權重為每個高斯分量分配樣本點數目，然后再根據該高斯分量的高斯概率密度函數抽樣樣 本點； 通過高斯混合模型的聚類，得到若干個聚類中心，每個聚類包含若干個高斯混合模型， 將聚類結果中包含高斯混合模型最多的聚類中心作為圖像塊序列的標準高斯混合模型。
4.根據權利要求1所述的一種基于高斯混合模型的視頻中異常行為在線檢測方法，其 特征在于，步驟七包括以下步驟： 計算待檢測圖像中該圖像塊對應的高斯混合模型與標準高斯混合模型之間的差異得 分 Scorei :
F和:F分別表示兩種分辨率下圖像塊的高斯混合模型，G與G分別表示兩種分辨率下相 同位置處圖像塊序列的標準高斯混合模型，表示KL散度，其中，α =0.8; 計算圖像塊與鄰接圖像塊之間的差異得分Sc〇re2 :
其中，^和;f分別表示兩種分辨率下與圖像塊相鄰的高斯混合模型集合，^_和$表示 對應集合中第j個高斯混合模型，Z表示與該圖像塊相鄰的高斯混合模型個數，j取值1? Z ； 該圖像塊中存在異常行為的得分Score為： Score = β Scored (1- β ) Score2, 其中，β =0.5,當Score彡η,將該圖像塊標記為異常塊，否則標記為正常，η為閾 值。
【文檔編號】G06T7/20GK104156979SQ201410361276
【公開日】2014年11月19日 申請日期:2014年7月25日 優先權日:2014年7月25日
【發明者】路通, 秦龍飛, 馬小林 申請人:南京大學