基于视频背景与信息统计的异常行为检测方法
【技术领域】
[0001] 本发明涉异常行为检测技术领域，具体涉及基于视频背景与信息统计的异常行为 检测方法。
【背景技术】
[0002] 随着智能信息时代的发展，社会对智能监控的需求也日愈上升。异常行为检测，作 为目标检测的一个分支，源于生活中对行人非正常行为的研究。通过区分正常行为与异常 行为，对于行为异常的行人进行标记与警报。相比于传统的目标检测，异常行为检测的难度 更高，并且实用性更广。该领域的研究来源于现实生活，因此对发展智能化社会有着重要的 意义。
[0003] 异常行为检测是仅今年来新兴的研究领域。目前，国内外的异常行为检测处于起 步阶段，并且其研究行为的方式比较单一。大多数的研究是基于两种模式：（1)通过行人的 肢体特征对行为做判断。（2)通过对行人跟踪对其行为做判断。这些检测方法虽然取得了 一定成效，但是其缺少本质上对行为的判断。因此仍需要进一步对这领域进行研究。
[0004] 根据A. 01iva[3]的研究，视频的背景包含了丰富的行人信息。因此，本专利将提 出一个全新的基于视频背景信息的异常行为检测方法。该方法首先对视频的背景通过统计 数据进行分区，划分为行人正常活动区域（NBZ, Normal Behavior Zones)与非行人正常活 动区域（ABZ, Anomaly Behavior Zones)。当行人活动在ABZ时，将被标记为行为异常。
[0005] 现有的行人检测算法之中，通过概率对行人行为检测的技术方案有由中国科学技 术大学的桂树同学[1]提出的"基于概率模型的异常行为检测方法研究"[1]。其通过对肢 体动作做统计，将超出统计概率的行为动作标记为异常行为。通过视频背景对异常行为研 究的技术方案有由安徽大学的刘强同学[2]提出的"智能视频监控中几种异常行为检测研 究"。其利用背景通过运动检测提取出运动目标，并对其进行跟踪。通过目标的运动轨迹进 行行为异常的判断 现有技术有以下缺点： 无论是桂树同学[1]还是刘强同学[2]所提出的研究方法，其研究方法没有有效地利 用视频的背景信息，其对异常行为的判断局限于目标表态的肢体特征之中，而没有考虑到 目标所在的背景环境情况。因此其异常行为的检测不是基于环境信息的。
【发明内容】
[0006] 本发明的目的就是为了解决上述技术问题，而提供基于视频背景与信息统计的异 常行为检测方法。
[0007] 本发明包括第一步：机器学习和第二步：异常行为检测； 所述第一步机器学习步骤分为三个部分：行人检测、背景提取和图像分割， 所述行人检测利用由P. Dollar提出的行人检测算法进行行人检测，称为ChnFtrs算 法。其实验方法是： a. 首先，随机选取信道特征； b. 通过高斯滤波器σ = f对各信道进行平滑处理，其中r为自选的像素值； c. 对于灰度直方图特征，其方向块的数量需要提前设置好； d. 在计算不同特征时，选择优化好的方法进行计算； e. 通过以上步骤运算，作者得到了一个包含多种图像特征的信道特征池，随机抽取几 类特征进行组合； f. 由于增强型分类算法可以通过对大量的候选特征进行训练出的弱分类器中得到一 个强的分类器，选择三种增强型分类器AdaBoost，RealBoost和LiklBoost分别进行训练并 测试其准确度； 所述背景提取包括以下步骤： g. 先利用混合高斯函数对视频背景进行建模； h. 然后利用Stauffer C.等人提出的自适应背景混合模型对视频背景进行提取，并将 每一次提取出来的背景存储到集合Bg{j}里面； j.对多帧视频数据进行了行人位置信息采集与背景内容采集之后，将集合Bj{j}中 的背景利用公式
进行非背景物的稀释，得到视频纯粹的背景 Bg ； 所述图像分割是在得到了视频背景之后，我们将对背景进行分割，所使用的分割方法 为Z. Li等人提出的利用二偶图计算方法对背景进行分割，利用统计好的行人位置信息 Obj {i}对分割后的背景各区域进行统计，统计行人在各个区域出现的概率，当其概率大于 设定值的时候，该区域将被定义为NBZ，否则为ABZ ; 所述第二步异常行为检测是利用行人检测算法ChnFtrs对行人进行检测，得到行人位 置之后，判断其位置是否在NBZ，如果不是，则将目标标记出来视为行为异常。
[0008] 本发明具有以下优点：本发明提到的方法，可以应用于实际生活之中，并且其应用 面较广。对于很多情况如对保护重要的设备，当行人闯进危险区域时拉警报等，因此这个方 法有着广泛的实际应用。除此之外，我们所提出的结合背景信息的异常行为检测方法，也为 该领域提出了一个新的研究方向。
【附图说明】
[0009] 图1是本发明机器学习步骤流程图。
[0010] 图2是随机选取信道特征步骤的实验效果示意图。
[0011] 图3是背景提取与稀释实验效果示意图。
[0012] 图4是背景图像的区域分割实验效果示意图。
[0013] 图5是异常行为检测流程图。
[0014] 图6是异常行为检测实验效果示意图。
【具体实施方式】
[0015] 下面结合附图对本发明做进一步说明。
[0016] 如图1、2、3、4、5、6所示，本发明包括第一步：机器学习和第二步：异常行为检测； 所述第一步机器学习步骤分为三个部分：行人检测、背景提取和图像分割， 所述行人检测利用由P. Dollar提出的行人检测算法进行行人检测，称为ChnFtrs算 法。其实验方法是： a. 首先，随机选取信道特征； b. 通过高斯滤波器
对各信道进行平滑处理，其中r为自选的像素值； c. 对于灰度直方图特征，其方向块的数量需要提前设置好； d. 在计算不同特征时，选择优化好的方法进行计算； e. 通过以上步骤运算，作者得到了一个包含多种图像特征的信道特征池，随机抽取几 类特征进行组合； f. 由于增强型分类算法可以通过对大量的候选特征进行训练出的弱分类器中得到一 个强的分类器，选择三种增强型分类器AdaBoost，RealBoost和LiklBoost分别进行训练并 测试其准确度； 所述背景提取包括以下步骤： g. 先利用混合高斯函数对视频背景进行建模； h. 然后利用Stauffer C.等人提出的自适应背景混合模型对视频背景进行提取，并将 每一次提取出来的背景存储到集合Bg{j}里面； j.对多帧视频数据进行了行人位置信息采集与背景内容采集之后，将集合Bj{j}中 的背景利用公式
进行非背景物的稀释，得到视频纯粹的背景 Bg ； 所述图像分割是在得到了视频背景之后，我们将对背景进行分割，所使用的分割方法 为Z. Li等人提出的利用二偶图计算方法对背景进行分割，利用统计好的行人位置信息 Obj {i}对分割后的背景各区域进行统计，统计行人在各个区域出现的概率，当其概率大于 设定值的时候，该区域将被定义为NBZ，否则为ABZ ; 所述第二步异常行为检测是利用行人检测算法ChnFtrs对行人进行检测，得到行人位 置之后，判断其位置是否在NBZ，如果不是，则将目标标记出来视为行为异常。
[0017] 工作方式及原理： 本发明分为两个步骤。第一步为机器学习，第二步为异常行为检测。
[0018] 在机器学习步骤中，先对系统输入一段行人数据，并且其背景内容保持不变。系统 对其进行行人的位置统计与背景提取，最后对背景进行分割与区域标记。其工作流程如下 图1所示。
[0019] 机器学习步骤的关键技术分为三个：行人检测、背景提取、图像分割。
[0020] 行人检测方面，我们利用由P. Dollar[4]提出的行人检测算法进行行人检测， 称为ChnFtrs算法。其实验方法