專利名稱：基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法
基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法技術(shù)鄰域本發(fā)明涉及一種基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，屬于監(jiān)控視頻的事件檢測(cè)領(lǐng)域。
背景技術(shù)：
近年來(lái)，隨著監(jiān)控?cái)z像頭在各個(gè)公共場(chǎng)所的廣泛應(yīng)用，依靠人來(lái)觀察監(jiān)控視頻的傳統(tǒng)方法已經(jīng)變的不適用，異常事件檢測(cè)系統(tǒng)成為一個(gè)熱門的研究課題。監(jiān)控視頻中的異常事件檢測(cè)系統(tǒng)可以自動(dòng)地檢測(cè)出異常事件，并發(fā)出預(yù)警，可以極大地減少人力資源的浪
費(fèi)。 在異常事件檢測(cè)系統(tǒng)中，存在著以下兩個(gè)難點(diǎn)1)與正常事件相比，人們感興趣的異常事件的數(shù)量非常少，這樣就造成了正常事件和異常事件分布極度不均衡；2)每個(gè)異常事件發(fā)生的時(shí)間都不是固定的，需要考慮時(shí)序間的變化。異常事件檢測(cè)系統(tǒng)中，現(xiàn)有的分類方法一般都只是考慮到其中的一個(gè)方面，比如Y. Li和J. Shawe-Taylor在2003年《PACLIC17 (第十七屆亞太地區(qū)語(yǔ)言、信息與計(jì)算學(xué)術(shù)研討會(huì))》，第 216 到 227 頁(yè)發(fā)表的 “The SVM with uneven margins and Chinesedocument categorization (基于非均衡邊緣的支持向量機(jī)和中文文檔分類)” 一文中提出的基于非均衡邊緣的支持向量機(jī)方法解決了非均衡分類問(wèn)題，忽視了事件的時(shí)序方面；而Shimodaira. H, Noma. K 等人在 2001 年《Neural Information Processing Systems (神經(jīng)信息處理系統(tǒng))》第 921 頁(yè)到 928 頁(yè)發(fā)表的“Dynamic time-alignment kernel in supportvector machine (基于動(dòng)態(tài)時(shí)間對(duì)齊核的支持向量機(jī))”一文中提出的基于動(dòng)態(tài)時(shí)間對(duì)齊核的支持向量機(jī)方法則只解決了時(shí)序特征的匹配問(wèn)題。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有方法的缺陷，本發(fā)明提供一種基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法。本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，首先進(jìn)行時(shí)序特征提取，得到視頻段的時(shí)序特征，然后進(jìn)行模型訓(xùn)練獲取非均衡時(shí)序模型，最后進(jìn)行事件檢測(cè)檢測(cè)異常事件是否發(fā)生。所述時(shí)序特征提取首先進(jìn)行視頻分段得到需要進(jìn)行異常事件檢測(cè)的視頻段，然后再進(jìn)行特征提取，提取視頻段的特征包括紋理信息、運(yùn)動(dòng)信息、時(shí)序信息。所述模型訓(xùn)練首先進(jìn)行訓(xùn)練集選取，選擇非均衡分布的時(shí)序特征樣本作為訓(xùn)練集，其中非均衡分布的時(shí)序特征樣本中異常事件數(shù)量少于正常事件；然后進(jìn)行模型獲取，使用非均衡時(shí)序方法對(duì)樣本進(jìn)行訓(xùn)練，獲取非均衡時(shí)序模型。所述的非均衡時(shí)序方法首先進(jìn)行時(shí)序特征處理，使用支持向量機(jī)的核函數(shù)處理視頻段的時(shí)序特征，解決時(shí)序特征的匹配問(wèn)題；然后進(jìn)行非均衡數(shù)據(jù)處理，在支持向量機(jī)中引入非均衡參數(shù)，使支持向量機(jī)適用于非均衡分布的數(shù)據(jù)集。
所述的事件檢測(cè)采用非均衡時(shí)序方法進(jìn)行分類，如果為真，表示該視頻段內(nèi)發(fā)生了異常事件，否則表示沒(méi)有發(fā)生異常事件，即表示發(fā)生了正常事件。


圖I是基于非均衡序列方法的監(jiān)控視頻異常事件檢測(cè)的流程框圖。圖2是時(shí)序特征提取框架圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例做詳細(xì)說(shuō)明本實(shí)施例在以技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。如圖I所示，本實(shí)施例的具體實(shí)施流程包括時(shí)序特征提取，得到視頻段的時(shí)序特 征；模型訓(xùn)練，獲取非均衡時(shí)序模型；事件檢測(cè)，檢測(cè)異常事件是否發(fā)生。各部分的具體實(shí)施細(xì)節(jié)如下I.時(shí)序特征提取包括以下步驟I)視頻分段步驟，得到需要進(jìn)行異常事件檢測(cè)的視頻段。在實(shí)施例中，使用的是基于檢測(cè)跟蹤的分段方法。通過(guò)對(duì)原始視頻進(jìn)行目標(biāo)檢測(cè)和跟蹤，獲取目標(biāo)物體的時(shí)空位置信息，以此得到目標(biāo)視頻段。2)特征提取步驟，提取視頻段的特征。在實(shí)施例中，提取目標(biāo)視頻段的時(shí)序特征，使用的特征是光流特征和尺度不變特征轉(zhuǎn)換特征。2.模型訓(xùn)練I)訓(xùn)練集選取選擇非均衡分布的時(shí)序特征樣本作為訓(xùn)練集。在非均衡分布的時(shí)序特征樣本中，異常事件數(shù)量少于正常事件。在實(shí)施例中，對(duì)于兩個(gè)待檢測(cè)的事件，分別使用了 65和71個(gè)異常事件作為正樣本，負(fù)樣本個(gè)數(shù)為2000個(gè)。2)模型獲取使用非均衡時(shí)序方法對(duì)樣本進(jìn)行訓(xùn)練，獲取非均衡時(shí)序模型。其中非均衡時(shí)序方法包括以下步驟(I)時(shí)序特征處理步驟使用支持向量機(jī)的核函數(shù)處理視頻段的時(shí)序特征，解決時(shí)序特征的匹配問(wèn)題。在實(shí)施例中，把提取到的不同維度的時(shí)序特征放入支持向量機(jī)中，然后使用動(dòng)態(tài)時(shí)間對(duì)齊核把不同維度的時(shí)序特征映射到高維空間。動(dòng)態(tài)時(shí)間對(duì)齊核的公式如下κ； {xy) =
ψ& i=l約束條件I 彡 Ψ (i)彡 Ψ (i+Ι) ( IXI , Ψ (i+1) _ Ψ (i)彡 QI 彡 Θ ⑴彡 Θ (i+1) ( |V|，Θ (i+1) - θ (i) ( Q其中Ks表示動(dòng)態(tài)時(shí)間對(duì)齊核,X和V為兩個(gè)特征序列，Ψ和Θ表示變換路徑，ΜΨ e表示路徑標(biāo)準(zhǔn)化因子，N為變換路徑的長(zhǎng)度，m(i)是非負(fù)加權(quán)系數(shù)，Ψ⑴和Θ⑴分別表示i按照變換路徑Ψ和Θ轉(zhuǎn)換后的值，χψω和ye(i)分別表示特征序列X和V中第i個(gè)特征向量按照變換路徑轉(zhuǎn)換后的值，K表示徑向基核，|X|和|V|分別表示特征序列X和V的長(zhǎng)度，Q是一個(gè)常數(shù)(限制局部連續(xù)性)。
(2)非均衡數(shù)據(jù)處理步驟在支持向量機(jī)中引入非均衡參數(shù)，使支持向量機(jī)適用于非均衡分布的數(shù)據(jù)集。調(diào)整支持向量機(jī)中的非均衡邊緣因子，這樣支持向量機(jī)就可以把正樣本的分類邊緣移向分類超平面，得到一個(gè)更偏向于正樣本的非均衡時(shí)序模型。3.事件檢測(cè)事件檢測(cè)步驟就是檢測(cè)異常事件是否發(fā)生。首先是把前面提取好的測(cè)試集時(shí)序特征放入基于非均衡時(shí)序方法的支持向量機(jī)中，然后按照非均衡時(shí)序方法進(jìn)行分類，得到視 頻段的分類結(jié)果。如果分類結(jié)果為真，表示該視頻段內(nèi)發(fā)生了異常事件，否則表示沒(méi)有發(fā)生異常事件。
權(quán)利要求
1.基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，其特征在于首先進(jìn)行時(shí)序特征提取，得到視頻段的時(shí)序特征，然后進(jìn)行模型訓(xùn)練獲取非均衡時(shí)序模型，最后進(jìn)行事件檢測(cè)檢測(cè)異常事件是否發(fā)生。
2.如權(quán)利要求I所述的基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，其特征在于所述時(shí)序特征提取首先進(jìn)行視頻分段得到需要進(jìn)行異常事件檢測(cè)的視頻段，然后再進(jìn)行特征提取，提取視頻段的特征包括紋理信息、運(yùn)動(dòng)信息、時(shí)序信息。
3.如權(quán)利要求2所述的基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，其特征在于所述模型訓(xùn)練首先進(jìn)行訓(xùn)練集選取，選擇非均衡分布的時(shí)序特征樣本作為訓(xùn)練集，其中非均衡分布的時(shí)序特征樣本中異常事件數(shù)量少于正常事件；然后進(jìn)行模型獲取，使用非均衡時(shí)序方法對(duì)樣本進(jìn)行訓(xùn)練，獲取非均衡時(shí)序模型。
4.如權(quán)利要求2所述的基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，其特征在于所述的非均衡時(shí)序方法首先進(jìn)行時(shí)序特征處理，使用支持向量機(jī)的核函數(shù)處理視頻段的時(shí)序特征，解決時(shí)序特征的匹配問(wèn)題；然后進(jìn)行非均衡數(shù)據(jù)處理，在支持向量機(jī)中引入非均衡參數(shù)，使支持向量機(jī)適用于非均衡分布的數(shù)據(jù)集。
5.如權(quán)利要求I或2或3或4所述的基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法，其特征在于所述的事件檢測(cè)采用非均衡時(shí)序方法進(jìn)行分類，如果為真，表示該視頻段內(nèi)發(fā)生了異常事件，否則表示沒(méi)有發(fā)生異常事件，即表示發(fā)生了正常事件。
全文摘要
本發(fā)明提供一種基于非均衡時(shí)序的監(jiān)控視頻異常事件檢測(cè)方法。首先進(jìn)行時(shí)序特征提取,得到視頻段的時(shí)序特征，然后進(jìn)行模型訓(xùn)練獲取非均衡時(shí)序模型，最后進(jìn)行事件檢測(cè)檢測(cè)異常事件是否發(fā)生。所述時(shí)序特征提取首先進(jìn)行視頻分段得到需要進(jìn)行異常事件檢測(cè)的視頻段，然后再進(jìn)行特征提取，提取視頻段的特征；所述模型訓(xùn)練首先進(jìn)行訓(xùn)練集選取，選擇非均衡分布的時(shí)序特征樣本作為訓(xùn)練集，其中非均衡分布的時(shí)序特征樣本中異常事件數(shù)量少于正常事件；然后進(jìn)行模型獲取，使用非均衡時(shí)序方法對(duì)樣本進(jìn)行訓(xùn)練，獲取非均衡時(shí)序模型。所述的非均衡時(shí)序方法首先進(jìn)行時(shí)序特征處理，然后進(jìn)行非均衡數(shù)據(jù)處理，在支持向量機(jī)中引入非均衡參數(shù)，使支持向量機(jī)適用于非均衡分布的數(shù)據(jù)集。
文檔編號(hào)G06K9/66GK102938078SQ20121050528
公開日2013年2月20日 申請(qǐng)日期2012年11月30日 優(yōu)先權(quán)日2012年11月30日
發(fā)明者王耀威, 夏子威, 田永鴻, 黃鐵軍 申請(qǐng)人:北京理工大學(xué), 北京大學(xué)