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