基于環(huán)路圖模型的視頻異常檢測方法
【專利摘要】本發(fā)明公開了一種基于LDA-HMM的環(huán)路圖模型視頻異常檢測方法?，F有的方法在HMM狀態(tài)確定LDA主題特征的概率推理中，視頻異常檢測會受到概率拖尾問題和模型過度擬合或欠擬合問題的困擾。本發(fā)明首先選取正常場景的視頻段作為訓練數據，經過低層特征提取，LDA主題特征提取，通過環(huán)路模型參數推理，訓練出一個LDA-HMM環(huán)路模型。異常檢測時，將正常場景視頻段和含異常事件視頻段數據處理后分布送入已訓練好的環(huán)路模型中，根據前向算法，得到每一幀的似然函數，當似然函數差大于某一閾值時，判斷該幀出現異常。本發(fā)明很好地解決了概率拖尾及模型階數需人為設定的問題，使視頻異常檢測達到更加精確的效果。
【專利說明】基于環(huán)路圖模型的視頻異常檢測方法
【技術領域】
[0001]本發(fā)明屬于計算機視覺【技術領域】，具體涉及一種基于環(huán)路圖模型的視頻異常檢測方法。
【背景技術】
[0002]近年來，隨著國民經濟的快速增長和社會的迅速進步，銀行、電力、交通、安檢以及軍事設施等領域對安全防范和現場記錄報警系統的需求與日俱增，視頻監(jiān)控在生產生活各方面得到了非常廣泛的應用。視頻異常檢測作為智能視頻監(jiān)控的重要應用，具有重要的理論意義和實際應用前景。已有的異常事件檢測方法主要是基于異常事件建模的方法，即先從視頻序列中提取圖像特征，特征通常包括運動目標外形、顏色、運動等信息，然后，基于提取的特征通過人工或應用監(jiān)督學習技術構建正常事件模型，為了檢測異常事件，將視頻與正常事件模型相匹配，不適合該模型的片段認為是異常。當前主要有兩大主流的檢測模型:一個是采用動態(tài)貝葉斯網絡如隱馬爾科夫模型(HMM)，另一個是基于概率主題模型，如LDA模型或其擴展。2007年Naohiko Suzuki等人用離散隱馬爾科夫模型(DHMM)對人的軌跡進行建模，識別超市中正常購物者的行為和非正常購物的可疑行為；M.Brand, N.0liver等人用半監(jiān)督-自適應隱馬爾科夫模型，監(jiān)控撲克牌游戲場景，來分析其場景中的違規(guī)行為。2009年R.Mehran, A.0yama等人提出了一種群體異常行為檢測算法，檢測階段使用LDA檢測算法，從視頻中提取n*n*T的數據塊作為單詞，進行似文本分類?；贚DA和HMM的視頻異常事件檢測框架憑借其突出的描述能力在近幾年備受關注。在該框架中，LDA抽取主題特征，HMM利用狀態(tài)描述主題特征的演化，但在HMM狀態(tài)確定LDA主題特征的概率推理中，視頻異常事件檢測會受到概率拖尾問題的困擾，此外，使用前人為設定HMM模型階數會導致視頻異常檢測模型過度擬合或欠擬合問題。針對目前的不足，本發(fā)明提出基于LDA-HMM的環(huán)路圖模型視頻異常檢測方法，建立HMM狀態(tài)和LDA主題特征之間的“諧振”，即不僅HMM狀態(tài)影響LDA主題特征，而且反過來LDA主題特征也會影響HMM狀態(tài)，這樣在視頻異常事件檢測過程中，不僅HMM模型中的異常狀態(tài)演化將導致LDA模型關注于相應的異常主題特征，同時LDA模型中的異常主題特征也會影響HMM模型中的狀態(tài)向異常狀態(tài)的發(fā)展，從而解決概率拖尾及模型階數需人為設定的問題，實現檢測性能的提升。

【發(fā)明內容】

[0003]本發(fā)明針對現有技術的不足，提供了一種基于環(huán)路圖模型的視頻異常檢測方法。
[0004]本發(fā)明基于環(huán)路圖模型的視頻異常檢測方法，具體思路如下:對于某一個場景的異常事件檢測，首先選取正常場景的視頻段作為訓練數據，接著通過SIFT算法，逐幀提取低層特征，并對這些特征進行聚類，構建成詞袋的形式，再通過LDA提取數據的語義特征，將得到的語義特征視為iHMM的觀測量，然后通過對LDA-HMM環(huán)路模型的參數推理，根據Beam采樣和EM算法訓練出一個LDA-HMM環(huán)路模型。異常事件檢測時，將正常場景的視頻段和含有異常事件的該場景的視頻段分別進行低層特征提取，LDA主題特征提取，送入已訓練好的LDA-HMM模型中，根據前向算法，可以得到不同視頻段每一幀的似然函數。當某幀的似然函數差大于某一個閾值時，判斷該幀出現異常。
[0005]為了方便描述本發(fā)明的內容，首先作一下術語定義:
[0006]定義I詞匯
[0007]詞匯一般定義是一篇文檔或者語言里所有的詞和固定短語的綜合，本文定義是將視頻段每一幀低層特征提取處理后得到的數據形式視為詞匯。
[0008]定義2語義特征
[0009]語義特征是一篇文檔中能夠描述這篇文檔主題分布的參數。本文定義為能夠最佳表示視頻每一幀信息數據的量。
[0010]定義3前向算法
[0011]前向算法是用來計算給定隱馬爾科夫模型(HMM)后一個觀察序列的概率，給定這種算法，可以直接用來確定對于已知的一個觀察序列，在一些隱馬爾科夫模型(HMMs)中哪一個HMM最好的描述了它一先用前向算法評估每一個(HMM)，再選取其中概率最高的一個。
[0012]本發(fā)明提出基于LDA-HMM的環(huán)路圖模型視頻異常檢測方法，建立HMM狀態(tài)和LDA主題特征之間的“諧振”，包括底層特征提取、LDA語義特征提取和HMM的動態(tài)評估、參數推理和學習等三項關鍵技術，具體處理步驟如下:
[0013]步驟一:底層特征提取
[0014]對已錄制的視頻，采用尺度不變特征變換算法(SIFT)對每一幀圖像抽取二維圖像位置信息(x，y)的特征。SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、顏色變化保持不變性，對視角變化、噪聲也保持一定程度的穩(wěn)定性，獨特性好，信息量豐富，即使少數的幾個物體也可以產生大量的SIFT特征向量，能夠得到好的檢測效果。
[0015]SIFT算法主要分為五個步驟:
[0016]1.構建尺度空間，檢測DOG尺度空間極值點，獲得尺度不變性；
[0017]2.特征點過濾并進行精確定位；
[0018]3.為每個關鍵點賦予128維方向參數；
[0019]4.生成關鍵點的描述子；
[0020]步驟二:LDA語義特征提取
[0021]LDA是一個三層貝葉斯概率模型，包含詞、主題和文檔三層結構。LDA將每個文檔表示為一個主題混合，每個主題是固定詞表上的一個多項式分布。LDA假設文檔由一個主題混合產生，同時每個主題是在固定詞表上的一個多項式分布；這些主題被集合中的所有文檔共享；每個文檔有一個特定的主題混合比例，其從Dirichlet分布中抽樣產生。作為一種生成式文檔模型，用LDA提取文檔的隱含語義結構和文檔表征已經成功地應用到很多文本相關的領域。
[0022]生成一篇文檔的具體步驟如下:
[0023]1.選擇N, N服從Poisson ( ξ )分布，N表示每篇文檔的詞匯量；
[0024]2.選擇θ，Θ服從Dirichlet(a )分布，Θ是主題發(fā)生的概率，α是Θ的先驗分布；
[0025]3.選擇主題 Zmn, Zmn 服從 Multinomial ( Θ )分布；[0026]4.選擇詞匯參數Wmn?，Wmn服從Multinomial(βZm)分布，其中βZm是主題詞項分布矩陣。
[0027]LDA主題模型提供了一種介于觀測變量和隱藏變量之間的聯合概率模型，這樣主題參數估計就等價于主題詞的最大后驗概率估計，或稱之為主題模型的推理問題。主題模型的推理是生成文檔的逆向過程，已知先驗參數α和β，根據文檔生成過程可以寫出各種隨機變量D、z和θ的聯合概率，其中D= (W1, W2,...，WM},表示文檔集合，z表示主題，W11W2,.......,wM表示各個詞匯，其下標表示此詞匯是第多少個詞匯。
【權利要求】
1.基于環(huán)路圖模型的視頻異常檢測方法，其特征在于該方法的具體步驟是: 步驟1.底層特征提取:對已錄制的視頻，采用SIFT算法對每一幀圖像抽取二維圖像位置信息特征，得到若干個特征點的128維方向參數，將這些特征點聚類，構建BOW詞袋的形式； 步驟2.將視頻幀序列的BOW詞袋作為文檔D，通過LDA模型進行主題語義特征的提取，獲取得到表示每幀圖像主題特征的主題特征矩陣Y ； 步驟3.將主題特征矩陣Y作為環(huán)路HMM-LDA模型的觀測量進行環(huán)路HMM-LDA的上一部分的參數推理，通過引入輔助變量U，使得潛在狀態(tài)軌跡中的狀態(tài)數量為一有限值，利用動態(tài)規(guī)劃的方法計算狀態(tài)軌跡的條件概率并對整個軌跡進行采樣； 采樣U:在已知狀態(tài)轉移概率矩陣31、t-Ι和t時刻的軌跡狀態(tài)Sg、St情況下，Ut服從條件分布

【文檔編號】G06K9/00GK103530603SQ201310439344
【公開日】2014年1月22日 申請日期:2013年9月24日 優(yōu)先權日:2013年9月24日
【發(fā)明者】郭春生, 徐俊, 沈佳, 張鳳金 申請人:杭州電子科技大學