matlab异常行为检测,视频异常行为实时检测方法与流程

本发明涉及计算机视觉技术领域，尤其涉及一种视频异常行为实时检测方法。

背景技术：

视频中异常行为检测是计算机视觉领域中的一个重要问题，用摄像头捕获到目标区域视频信息，算法需要自动检测出视频中不符合常规模式的行为(违反交通规则，打架斗殴，违法偷窃等)。

现有方法主要分为三种类型：

(1)基于轨迹分析的方法。使用目标跟踪的算法得到视频中运动目标的轨迹图，之后运用特定的轨迹分析方法来分析某个轨迹是否属于异常轨迹，这类方法只能在轨迹层分析速度、方向等异常，忽略了场景信息。

(2)基于特征提取的方法。这类算法核心思想是提取到能表征视频内容的核心特征，之后在提取到的特征的基础上分析是否属于异常行为。这类方法可以分为区域特征学习和全局特征学习的方法，现有的方法中，前者大多在所有视频块上建模，采用的一般为人为设计特征，不具有针对性。后者需要处理复杂的视频动态，对模型复杂度要求很高。

(3)基于行为建模的方法。在小的视频块上建立运动模型，在该模型下出现概率低的行为被归类为异常。这类方法主要缺陷是行为模式复杂多样，难以建立有效模型。

异常检测算法常用的性能评判标准分为帧级和像素级别，其中帧级常用于评价全局异常，如果某一帧里至少包含一个异常像素，就将这一帧视为异常，这种评价指标无需精确检测出异常的像素位置，只需确定视频的帧序列中的视频帧是哪些。像素级常用于评价局部异常，即需要确定异常目标位于视频哪一块区域，需要和数据集的异常标注进行对比，超过40％面积的异常标注被检测出来才认为这一帧检测正确。采用等错误率(EER)作为帧级和像素级的指标，EER是接受者操作特性曲线(ROC)与(0,1)到(1，0)线段的交点，EER越低，说明ROC曲线越靠近左上方，系统的性能越好。下面介绍目前方法中在异常检测数据集UCSD Ped2中帧级和像素级分别做的最好的方法。

Tan Xiao等人在文章“Learning to detect anomalies in surveillance video”(IEEE Signal Processing Letters，2015)提出了一种新的基于稀疏的非负矩阵分解(SSMF)的异常检测方法，构造一个非负系数直方图作为视频的时空体的局部特征，为了避免过多的局部检测，将视频中的空间和时间上