检测异常行为的方法和设备及生成检测器的方法和设备技术

公开了检测异常行为的方法和设备及生成检测器的方法和设备。检测视频中对象的异常行为的设备包含提取装置，其从所述视频中获得具有预定长度的图像的序列；特征计算装置，其计算所述序列的每个所述图像的运动向量方向直方图，并且将所述序列的所有图像的运动向量方向直方图形成特征向量；和检测装置，其将所述特征向量输入检测器，以检测对象的异常行为。

【技术实现步骤摘要】

本专利技术涉及模式识别领域，尤其涉及检测视频中对象的异常行为的方法和设备， 以及生成用于检测视频中对象的异常行为的检测器的方法和设备。
技术介绍
随着技术的发展以及硬件设备价格的逐渐降低，大量的监控摄像头被安装到各种场合，特别是那些对安全要求敏感的场合，如机场、社区、银行、停车场、军事基地等。动态场景的视觉监控是近年来备受关注的前沿研究方向。视觉监控是从摄像机捕捉的图像序列中分析和理解运动目标的行为，并对异常行为进行报警的技术。异常行为检测是智能视觉监控的重要功能。因此，对异常行为检测的研究具有重要的意义。在 Hu 等人的文章“Anomaly Detection Based on Motion Direction”，ACTA AUTOMAT ICA SINICA, Vol. 34，No. 11, November，2008 (下文中简称为文献 1)中提出了提出了一种基于运动方向的异常行为检测方法。根据不同行为的运动方向具有不同的规律性的事实，该方法采用块运动方向描述不同的动作，并利用支持向量机对实时监控视频进行异常行为检测。在进行行为描述时，先提取相应视频段的所有前景帧的块运动方向，然后对这些运动方向进行归一化直方图统计得到该视频段的行为描述特征。
技术实现思路
本专利技术旨在提供一种检测视频中对象的异常行为的方法和设备，以及生成用于检测视频中对象的异常行为的检测器的方法和设备，以改进异常行为检测。本专利技术的一个实施例是一种检测视频中对象的异常行为的方法。根据该方法，从视频中获得具有预定长度的图像的序列。计算序列的每个图像的运动向量方向直方图。将序列的所有图像的运动向量方向直方图形成特征向量。将特征向量输入检测器，以检测对象的异常行为。在上述检测视频中对象的异常行为的方法的进一步实施例中，从视频中获得序列可以包括从视频中检测独立运动区域，以及从视频中的独立运动区域获得序列。在上述检测视频中对象的异常行为的方法的进一步实施例中，从视频中检测独立运动区域可以包括从视频的图像帧之一中检测出前景，检测前景中的独立连通区域，以及将覆盖独立连通区域的区域提取为独立运动区域。在上述检测视频中对象的异常行为的方法的进一步实施例中，还可以响应于检测器检测出对象的异常行为，检测序列的图像中非对象的运动物体的存在，以及在检测结果表明不存在非对象的运动物体的情况下，检测出对象的异常行为。在上述检测视频中对象的异常行为的方法的进一步实施例中，还可以将转换矩阵 Mapdxm乘以所形成的特征向量，以将相乘结果作为输入检测器的特征向量，其中m为相乘之前特征向量的维数，d为相乘之后特征向量的维数，并且d < m。本专利技术的一个实施例是一种检测视频中对象的异常行为的设备，包括提取装置、特征计算装置和检测装置。提取装置从视频中获得具有预定长度的图像的序列。特征计算装置计算序列的每个图像的运动向量方向直方图，并且将序列的所有图像的运动向量方向直方图形成特征向量。检测装置将特征向量输入检测器，以检测对象的异常行为。在上述检测视频中对象的异常行为的设备的进一步实施例中，提取装置可以包括运动区域检测装置和区域图像提取装置。运动区域检测装置从视频中检测独立运动区域。 区域图像提取装置从视频中的独立运动区域获得序列。在上述检测视频中对象的异常行为的设备的进一步实施例中，运动区域检测装置可以包括前景检测装置、连通区域分析装置和覆盖区域提取装置。前景检测装置从视频的图像帧之一中检测出前景。连通区域分析装置检测前景中的独立连通区域。覆盖区域提取装置将覆盖独立连通区域的区域提取为独立运动区域。在上述检测视频中对象的异常行为的设备的进一步实施例中，检测装置可以包括非对象检测装置和过滤装置。非对象检测装置响应于检测器检测出对象的异常行为，检测序列的图像中非对象的运动物体的存在。过滤装置在检测结果表明不存在非对象的运动物体的情况下，检测出对象的异常行为。在上述检测视频中对象的异常行为的设备的进一步实施例中，特征计算装置可以包括降维装置，其将转换矩阵Mapdxm乘以所形成的特征向量，并且将相乘结果作为要输入检测器的特征向量提供给检测装置，其中m为相乘之前特征向量的维数，d为相乘之后特征向量的维数，并且d<m。本专利技术的一个实施例是一种生成用于检测视频中对象的异常行为的检测器的方法。根据该方法，输入多个具有预定长度的图像的序列中的每个序列，其中每个序列包含的对象的行为的类型已被标记。计算序列的每个图像的运动向量方向直方图。将序列的所有图像的运动向量方向直方图形成特征向量。根据各个序列的相应特征向量和所标记的行为类型来训练检测器。在上述生成检测器的方法的进一步实施例中，形成特征向量可以包括利用降维方法计算将所形成的特征向量降维的变换矩阵Mapdxm，其中m为降维之前特征向量的维数，d 为降维之后特征向量的维数，并且d < m,以及将转换矩阵Mapdxm乘以所形成的特征向量， 以将相乘结果作为训练所根据的特征向量。本专利技术的一个实施例是一种生成用于检测视频中对象的异常行为的检测器的设备，包括输入装置、特征计算装置和训练装置。输入装置输入多个具有预定长度的图像的序列中的每个序列，其中每个序列包含的对象的行为的类型已被标记。特征计算装置计算序列的每个图像的运动向量方向直方图，并且将序列的所有图像的运动向量方向直方图形成特征向量。训练装置根据各个序列的相应特征向量和所标记的行为类型来训练检测器。在上述生成检测器的设备的进一步实施例中，特征计算装置可以包括变换矩阵生成装置和变换装置。变换矩阵生成装置利用降维方法计算将所形成的特征向量降维的变换矩阵Mapdxm，其中m为降维之前特征向量的维数，d为降维之后特征向量的维数，并且d<m。 变换装置将转换矩阵Mapdxm乘以所形成的特征向量，以将相乘结果作为训练所根据的特征向量。降维方法可以包括主成份分析方法、因子分析方法、单值分解(Singular Value Decomposition, SVD)、多维尺度分析(multi-dimensionalscaling，MDS)、局部线性5嵌入(locally linear embedding, LLE)、等距映射(Isomap)、线性鉴别分析(Linear Discriminant Analysis,LDA)、局部切空间排列(local tangent space alignment,LTSA) 禾口最大方差展开(Maximum variance unfolding, MVU)。附图说明参照下面结合附图对本专利技术实施例的说明，会更加容易地理解本专利技术的以上和其它目的、特点和优点。在附图中，相同的或对应的技术特征或部件将采用相同或对应的附图标记来表示。在附图中不必依照比例绘制出单元的尺寸和相对位置。图1的框图示出根据本专利技术实施例的生成用于检测视频中对象的异常行为的检测器的设备的结构。图2是示出生成特征向量的过程的例子的示意图。图3A是示出根据本专利技术实施例的生成用于检测视频中对象的异常行为的检测器的方法的流程图。图:3B是示出图3A所示的方法中计算运动向量方向直方图并形成特征向量的步骤的一个例子的流程图。图4的框图示出根据本专利技术实施例的生成用于检测视频中对象的异常行为的检测器的设本文档来自技高网...

【技术保护点】
１．一种检测视频中对象的异常行为的方法，包括：从所述视频中获得具有预定长度的图像的序列；计算所述序列的每个所述图像的运动向量方向直方图；将所述序列的所有图像的运动向量方向直方图形成特征向量；和将所述特征向量输入检测器，以检测对象的异常行为。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘舟，吴伟国，刘畅，王贵锦，
申请(专利权)人：索尼公司，清华大学，
类型：发明
国别省市：JP