技術(shù)特征：

1.一種基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：包括特征提取、訓(xùn)練和測試三個過程：

特征提取過程包括以下步驟：

1)提取視頻序列的多尺度三維梯度特征；

2)對多尺度三維梯度特征進行降維，形成訓(xùn)練特征集和測試特征集；

訓(xùn)練過程包括以下步驟：

3)初始化剩余訓(xùn)練特征和相關(guān)參數(shù)；

4)對剩余訓(xùn)練特征進行迭代學(xué)習(xí)組稀疏字典，獲得正常模式字典集；

測試過程包括以下步驟：

5)利用由訓(xùn)練過程獲取的組稀疏字典集，對測試特征進行稀疏重建；

6)根據(jù)重建誤差，判斷測試特征是否為異常特征。

2.根據(jù)權(quán)利要求1所述的基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：所述步驟1)包括以下具體步驟：

1.1)對視頻序列的每一幀圖像進行不同尺度的縮放，形成一個三層圖像金字塔；

1.2)對每一層圖像進行時空立方體采樣，提取空間上不重疊區(qū)域的三維梯度特征；

1.3)針對每一層視頻序列，將同一空間區(qū)域上連續(xù)5幀的三維梯度特征疊加在一起，組成一個時空特征。

3.根據(jù)權(quán)利要求1、2所述的基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：所述步驟2)包括以下具體步驟：

2.1)利用主成分分析PCA，對上述提取的每一個時空特征進行降維；

2.2)利用上述方法，將訓(xùn)練視頻序列和測試視頻序列轉(zhuǎn)換為訓(xùn)練特征集和測試特征集。

4.根據(jù)權(quán)利要求1或3所述的基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：所述步驟3)包括以下具體步驟：

3.1)將步驟2.2)獲取的訓(xùn)練特征集初始化為剩余訓(xùn)練特征集；

3.2)初始化正則化參數(shù)、誤差閾值、迭代次數(shù)和正常模式字典集。

5.根據(jù)權(quán)利要求1中所述的基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：所述步驟4)包括以下具體步驟：

假設(shè)迭代次數(shù)j＝1，剩余訓(xùn)練特征表示為X^j＝[x₁,x₂,...,x_n],其中n為特征數(shù)目，m為每個特征的維數(shù)，正則化參數(shù)為τ，正常模式字典集為

4.1)確定聚類數(shù)目C^j，對剩余特征集X^j進行K均值聚類，此時第j^th次迭代中第c^th個聚類的特征表示為其中j＝1,2,...,N，表示第c^th個聚類的特征數(shù)目，函數(shù)f(·)把聚類中的特征序號映射到該特征在初始特征集中的序號；

4.2)利用公式(1)和公式(2)：

$(D_c^j,{\mathrm{\Λ}}_c^j,V_c^j)=\arg \underset{D,\mathrm{\Λ},V}{min}\left|\right|X_c^j-D_c^j{\mathrm{\Λ}}_c^j{\left(V_c^j\right)}^T|{|}_2^2+\mathrm{\τ}\underset{i=1}{\overset{n_c^j}{\Σ}}{\mathrm{\ω}}_i{\mathrm{\λ}}_i---\left(1\right)$

$\left\{\begin{array}{c}(D_c^j,{\mathrm{\Λ}}_c^j,V_c^j)=svd\left(X_c^j\right)\\ {\widehat{\mathrm{\λ}}}_i=S_{\mathrm{\τ}\·{\mathrm{\ω}}_i}\left({\mathrm{\λ}}_i\right)\end{array}\right.---\left(2\right)$

對所有剩余特征的聚類進行字典學(xué)習(xí)，得到第j^th次迭代中C^j個特征聚類的字典集合其中，采用奇異值分解，τ是正則化參數(shù)，ω_i是第i個奇異值λ_i的權(quán)重，r是通過軟閾值操作估算的秩；軟閾值操作作用于每個奇異值，小于τ·ω_i的奇異值被置為0，大于τ·ω_i的奇異值仍保持原值；

4.3)一旦確定對于任一剩余特征利用公式(3)和公式(4)挑選字典去表示剩余特征；

$\begin{array}{c}\underset{\mathrm{\γ}}{\min }\underset{i=1}{\overset{n_c^j}{\Σ}}{\mathrm{\γ}}_{f(i,c)}^j\left(\right||x_{f(i,c)}^j-D_c^j{\mathrm{\β}}_{f(i,c)}^j|{|}_2^2-T)\\ s.t.\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_{f(i,c)}^j=1,{\mathrm{\γ}}_{f(i,c)}^j=\{0,1\}\end{array}---\left(3\right)$

其中，表示的稀疏系數(shù)向量，表示特征是否能夠被字典表示，約束項∑γ_i,j＝1和γ_i,j＝{0,1}用于保證只能挑選一個字典來表示表示用字典表示特征聚類的系數(shù)向量，T表示誤差閾值；

如果可以表示則把字典加入字典集合D，并把稀疏系數(shù)的特征從剩余特征集X^j中移除；如果不可以表示任意一個剩余特征則丟棄字典

4.4)迭代次數(shù)加1，j＝j(luò)+1；

4.5)當(dāng)剩余特征集為空集時，組稀疏字典學(xué)習(xí)過程結(jié)束。

6.根據(jù)權(quán)利要求1中所述的基于低秩逼近結(jié)構(gòu)化稀疏表示的異常事件檢測方法，其特征在于：所述步驟5)包括以下具體步驟：

假設(shè)正常模式字典集為D＝[D₁,D₂,...D_N]；

5.1)給定一個測試特征x，對字典D_k(k＝1,2,...N)計算重建誤差：

$\underset{{\mathrm{\β}}_k}{min}\left|\right|x-D_k{\mathrm{\β}}_k|{|}_2^2---\left(5\right)$

5.2)求解公式(5)中β_k的最優(yōu)解:

${\widehat{\mathrm{\β}}}_k={\left({D_k}^T{D}_k\right)}^{-1}{D_k}^{T}x---\left(6\right)$

5.3)利用公式(7)計算測試特征x的重建誤差：

$E_k=\left|\right|x-D_k{\widehat{\mathrm{\β}}}_k|{|}_2^2=||x-D_k{\left({D_k}^T{D}_k\right)}^{-1}{D_k}^{T}x|{|}_2^2---\left(7\right)$

如果重建誤差小于重建誤差閾值，則表明測試特征x可以被字典D_k表示，即測試特征x屬于正常事件；否則，測試特征x不能被字典D_k表示使得k＝k+1，返回步驟5.1)；

5.4)如果正常模式字典集中的所有字典均不能表示測試特征x，則測試特征x屬于異常事件。