一種視頻監(jiān)控異常行為檢測方法及其檢測系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及異常行為檢測技術(shù)領(lǐng)域，具體涉及一種視頻監(jiān)控異常行為檢測方法及 其檢測系統(tǒng)。
【背景技術(shù)】
[0002] 視頻監(jiān)控的目的就是對監(jiān)視場景中的異常事件或監(jiān)控對象的行為進行檢測與分 析。目前較成熟的視頻異常行為檢測包括越界、入侵禁區(qū)、徘徊、滯留、快速運動等行為。異 常行為檢測的實現(xiàn)方法通常有兩類：（1)把小概率行為或與先驗規(guī)則相反的行為看作異常 行為；（2)把與已知正常行為的模式不匹配的行為看作異常行為。
[0003] 在近年來國際頂級期刊IEEET-PAMI和計算機視覺及模式識別的頂級國際會議 CVPR，ICCV等已發(fā)表論文均提到的異常行為檢測算法是通過對視頻結(jié)構(gòu)語義的分析，針對 像素塊的運動標簽在時間維度和空間維度的分布關(guān)系，定義了五種低維度的行為特征描述 符作為視頻中行為特征的表示。但是，在該論文提出的方法中，在獲取前景像素時，僅使用 用于了背景差除法，認為連續(xù)變化的像素即為前景，連續(xù)靜止的像素即為背景，這種判別標 準過于單一，對于背景復(fù)雜、變化的場景容易造成虛假報警、漏報警、跟蹤困難等不良后果。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種視頻監(jiān)控異常行為檢測方法及其檢測系 統(tǒng)，能夠準確檢測視頻監(jiān)控圖像中的異常行為。
[0005] 本發(fā)明提供了如下方案：
[0006] 基于本發(fā)明的一個方面，提供了一種視頻監(jiān)控異常行為檢測方法，所述方法包 括：
[0007] S1、獲取視頻圖像序列，并根據(jù)獲取的所述視頻圖像序列，利用混合高斯模型建立 背景模型；
[0008] S2、根據(jù)建立的所述背景模型，利用背景差除法從獲取的所述視頻圖像序列中提 取出前景目標區(qū)域圖像；
[0009] S3、按照預(yù)先設(shè)定大小將所述前景目標區(qū)域圖像劃分為若干個前景目標圖像塊；
[0010] S4、利用背景差除法計算每一個前景目標圖像塊的運動標簽，并提取每一個前景 目標圖像塊的五維特征參數(shù)，所述五維特征參數(shù)包括位置關(guān)系特征、平均運動行為強度特 征、運動行為方向特征、領(lǐng)域相關(guān)性特征和單位運動行為強度分布特征；
[0011] S5、采用離線SVM分類器對每一個前景目標圖像塊的五維特征參數(shù)進行測試，判 斷每一個前景目標圖像塊是否為正常行為圖像塊，若為正常行為圖像塊，則結(jié)束；若為異常 行為圖像塊，則判別該異常行為圖像塊所屬異常行為類別。
[0012] 基于本發(fā)明的另一個方面，提供了一種視頻監(jiān)控異常行為檢測系統(tǒng)，所述系統(tǒng)包 括：
[0013] 背景模型建立模塊，用于獲取視頻圖像序列，并根據(jù)獲取的所述視頻圖像序列，利 用混合高斯模型建立背景模型；
[0014] 前景區(qū)域提取模塊，用于根據(jù)建立的所述背景模型，利用背景差除法從獲取的所 述視頻圖像序列中提取出前景目標區(qū)域圖像；
[0015] 劃分模塊，用于按照預(yù)先設(shè)定大小將所述前景目標區(qū)域圖像劃分為若干個前景目 標圖像塊；
[0016] 運動標簽計算模塊，用于利用背景差除法計算每一個前景目標圖像塊的運動標 簽；
[0017] 提取模塊，用于根據(jù)每一個前景目標圖像塊的運動標簽，提取每一個前景目標圖 像塊的五維特征參數(shù)；
[0018] 判斷模塊，用于采用離線SVM分類器對每一個前景目標圖像塊的五維特征參數(shù)進 行測試，判斷每一個前景目標圖像塊是否為正常行為圖像塊，若為正常行為圖像塊，則結(jié) 束；
[0019] 類別判別模塊，用于若所述判斷模塊判斷出前景目標圖像塊為異常行為圖像塊， 則判別該異常行為圖像塊所屬異常行為類別。
[0020] 本發(fā)明提供的一種視頻監(jiān)控異常行為檢測方法及其檢測系統(tǒng)，以視頻圖像序列為 原始數(shù)據(jù)，利用混合高斯模型建立背景模型，能夠減少光照變化以及場景內(nèi)的背景微小變 化對檢測的影響；利用背景差除法從獲取的所述視頻圖像序列中提取出前景目標區(qū)域圖 像，將其劃分為若干個前景目標圖像塊，計算每一個圖像塊的運動標簽和五維特征參數(shù)，可 以精確描述前景目標圖像塊的運動模式，最后利用離線SVM分類器判斷前景目標圖像塊的 運動模式是否屬于異常行為模式，若為異常行為模式，則利用不同類別的SVM分類器進行 匹配，判別異常行為模式所屬類別，細化了異常行為的分類，同時大大增加了檢測的準確 性。
【附圖說明】
[0021] 圖1為本發(fā)明實施例一的一種視頻監(jiān)控異常行為檢測方法流程圖；
[0022] 圖2為本發(fā)明實施例一的整個方法處理流程圖；
[0023] 圖3為本發(fā)明實施例二的一種視頻監(jiān)控異常行為檢測系統(tǒng)示意圖。
【具體實施方式】
[0024] 以下結(jié)合附圖對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(fā)明，并 非用于限定本發(fā)明的范圍。
[0025] 實施例一、一種視頻監(jiān)控異常行為檢測方法。以下結(jié)合圖2和圖2對本實施例提 供的方法進行詳細說明。
[0026] 參見圖I，Sl、獲取頻圖像序列，并根據(jù)獲取的所述視頻圖像序列，利用混合高斯模 型建立背景模型。
[0027] 具體的，首先，視頻監(jiān)控設(shè)備會采集一段時間內(nèi)的視頻監(jiān)控圖像數(shù)據(jù)，并將采集的 視頻監(jiān)控圖像數(shù)據(jù)經(jīng)過壓縮編碼后傳輸給視頻處理設(shè)備，視頻處理設(shè)備接收到壓縮編碼后 的視頻監(jiān)控圖像數(shù)據(jù)后，對其進行解碼，將壓縮數(shù)據(jù)編碼文件轉(zhuǎn)換為模擬視頻監(jiān)控圖像數(shù) 據(jù)文件，并將視頻監(jiān)控圖像處理為視頻圖像序列，且對視頻圖像序列進行預(yù)處理，包括將彩 色視頻圖像序列轉(zhuǎn)換成灰度視頻圖像序列，并進行直方圖均衡化、中值濾波和伽瑪校正等。
[0028] 隨后，對經(jīng)過預(yù)處理后的視頻圖像序列，利用混合高斯模型建立背景模型，采用混 合高斯模型建立背景模型能夠減少光照變化以及場景內(nèi)的背景微小變化對檢測的影響?；?合高斯模型的定義如下：
[0030] 其中，K為模型的個數(shù)，π k為第k個模型高斯的權(quán)值，p (X I k)為第k個模型高斯 的概率密度函數(shù)，X為樣本點，P(X)為樣本點X的概率密度函數(shù)，本算法的混合高斯模型個 數(shù)為5個。
[0031] S2、根據(jù)建立的所述背景模型，利用背景差除法從獲取的所述視頻圖像序列中提 取出前景目標區(qū)域圖像。
[0032] 具體的，根據(jù)上述步驟Sl采用混合高斯模型建立的背景模型，并利用背景差除法 從視頻圖像序列中提取出可能的前景目標區(qū)域圖像，即監(jiān)視對象可能出現(xiàn)的大概位置。具 體的利用背景差除法提取前景目標區(qū)域圖像的過程為：將獲取的所述視頻圖像序列中的 當(dāng)前幀圖像與建立的所述背景模型中的背景圖像作差，若當(dāng)前幀圖像中的當(dāng)前位置上的像 素特征與背景圖像上對應(yīng)位置上的像素特征差異大于預(yù)設(shè)值，則該當(dāng)前位置上的點為前景 點，所述視頻圖像序列中每一幀圖像中的所有前景點的集合構(gòu)成前景目標區(qū)域圖像。
[0033] S3、按照預(yù)先設(shè)定大小將所述前景目標區(qū)域圖像劃分為若干個前景目標圖像塊。
[0034] 具體的，當(dāng)利用背景差除法從視頻圖像序列中提取出前景目標區(qū)域圖像后，按照 預(yù)先設(shè)定大小將前景目標區(qū)域圖像劃分為若干個前景目標圖像塊。
[0035] S4、利用背景差除法計算每一個前景目標圖像塊的運動標簽，并提取每一個前景 目標圖像塊的五維特征參數(shù)，所述五維特征參數(shù)包括位置關(guān)系特征、平均運動行為強度特 征、運動行為方向特征、領(lǐng)域相關(guān)性特征和單位運動行為強度分布特征。
[0036] 具體的，運動標簽是一種基于行為特征的異常檢測算法的特征表示方法，它反映 的是圖像中某一像素點運動變化的運動變化情況。通過背景差除法可以計算出每個像素的 運動標簽，" 1"代表有運動的前景，"〇"代表靜止的背景。運動標簽有它的可解釋性：一系 列連續(xù)的" 1"代表著忙碌的運動過程，而一系列連續(xù)的"〇"代表著空閑狀態(tài)。假設(shè)t時刻， 圖像S中的某一像素點? = (AJ)，使用極#；)表示這點的運動標簽，MiG) e供1}。利用了 運動標簽的描述方法，可以用一串二進制的數(shù)值序列反映一個像素點在時間上的運動行為 變化過程。通過分析這些運動標簽所產(chǎn)生的二進制數(shù)值序列之間的特征關(guān)系，直觀反映了 視頻中行為在時間和空間上變化情況，進一步