專利名稱：基于非均衡時序的監控視頻異常事件檢測方法
基于非均衡時序的監控視頻異常事件檢測方法技術鄰域本發明涉及一種基于非均衡時序的監控視頻異常事件檢測方法，屬于監控視頻的事件檢測領域。
背景技術：
近年來，隨著監控攝像頭在各個公共場所的廣泛應用，依靠人來觀察監控視頻的傳統方法已經變的不適用，異常事件檢測系統成為一個熱門的研究課題。監控視頻中的異常事件檢測系統可以自動地檢測出異常事件，并發出預警，可以極大地減少人力資源的浪
費。 在異常事件檢測系統中，存在著以下兩個難點1)與正常事件相比，人們感興趣的異常事件的數量非常少，這樣就造成了正常事件和異常事件分布極度不均衡；2)每個異常事件發生的時間都不是固定的，需要考慮時序間的變化。異常事件檢測系統中，現有的分類方法一般都只是考慮到其中的一個方面，比如Y. Li和J. Shawe-Taylor在2003年《PACLIC17 (第十七屆亞太地區語言、信息與計算學術研討會)》，第 216 到 227 頁發表的 “The SVM with uneven margins and Chinesedocument categorization (基于非均衡邊緣的支持向量機和中文文檔分類)” 一文中提出的基于非均衡邊緣的支持向量機方法解決了非均衡分類問題，忽視了事件的時序方面；而Shimodaira. H, Noma. K 等人在 2001 年《Neural Information Processing Systems (神經信息處理系統)》第 921 頁到 928 頁發表的“Dynamic time-alignment kernel in supportvector machine (基于動態時間對齊核的支持向量機)”一文中提出的基于動態時間對齊核的支持向量機方法則只解決了時序特征的匹配問題。
發明內容
針對現有方法的缺陷，本發明提供一種基于非均衡時序的監控視頻異常事件檢測方法。本發明是通過以下技術方案實現的，基于非均衡時序的監控視頻異常事件檢測方法，首先進行時序特征提取，得到視頻段的時序特征，然后進行模型訓練獲取非均衡時序模型，最后進行事件檢測檢測異常事件是否發生。所述時序特征提取首先進行視頻分段得到需要進行異常事件檢測的視頻段，然后再進行特征提取，提取視頻段的特征包括紋理信息、運動信息、時序信息。所述模型訓練首先進行訓練集選取，選擇非均衡分布的時序特征樣本作為訓練集，其中非均衡分布的時序特征樣本中異常事件數量少于正常事件；然后進行模型獲取，使用非均衡時序方法對樣本進行訓練，獲取非均衡時序模型。所述的非均衡時序方法首先進行時序特征處理，使用支持向量機的核函數處理視頻段的時序特征，解決時序特征的匹配問題；然后進行非均衡數據處理，在支持向量機中引入非均衡參數，使支持向量機適用于非均衡分布的數據集。
所述的事件檢測采用非均衡時序方法進行分類，如果為真，表示該視頻段內發生了異常事件，否則表示沒有發生異常事件，即表示發生了正常事件。
圖I是基于非均衡序列方法的監控視頻異常事件檢測的流程框圖。圖2是時序特征提取框架圖。
具體實施例方式下面結合附圖對本發明的實施例做詳細說明本實施例在以技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發明的保護范圍不限于下述的實施例。如圖I所示，本實施例的具體實施流程包括時序特征提取，得到視頻段的時序特 征；模型訓練，獲取非均衡時序模型；事件檢測，檢測異常事件是否發生。各部分的具體實施細節如下I.時序特征提取包括以下步驟I)視頻分段步驟，得到需要進行異常事件檢測的視頻段。在實施例中，使用的是基于檢測跟蹤的分段方法。通過對原始視頻進行目標檢測和跟蹤，獲取目標物體的時空位置信息，以此得到目標視頻段。2)特征提取步驟，提取視頻段的特征。在實施例中，提取目標視頻段的時序特征，使用的特征是光流特征和尺度不變特征轉換特征。2.模型訓練I)訓練集選取選擇非均衡分布的時序特征樣本作為訓練集。在非均衡分布的時序特征樣本中，異常事件數量少于正常事件。在實施例中，對于兩個待檢測的事件，分別使用了 65和71個異常事件作為正樣本，負樣本個數為2000個。2)模型獲取使用非均衡時序方法對樣本進行訓練，獲取非均衡時序模型。其中非均衡時序方法包括以下步驟(I)時序特征處理步驟使用支持向量機的核函數處理視頻段的時序特征，解決時序特征的匹配問題。在實施例中，把提取到的不同維度的時序特征放入支持向量機中，然后使用動態時間對齊核把不同維度的時序特征映射到高維空間。動態時間對齊核的公式如下κ； {xy) =
ψ& i=l約束條件I 彡 Ψ (i)彡 Ψ (i+Ι) ( IXI , Ψ (i+1) _ Ψ (i)彡 QI 彡 Θ ⑴彡 Θ (i+1) ( |V|，Θ (i+1) - θ (i) ( Q其中Ks表示動態時間對齊核,X和V為兩個特征序列，Ψ和Θ表示變換路徑，ΜΨ e表示路徑標準化因子，N為變換路徑的長度，m(i)是非負加權系數，Ψ⑴和Θ⑴分別表示i按照變換路徑Ψ和Θ轉換后的值，χψω和ye(i)分別表示特征序列X和V中第i個特征向量按照變換路徑轉換后的值，K表示徑向基核，|X|和|V|分別表示特征序列X和V的長度，Q是一個常數(限制局部連續性)。
(2)非均衡數據處理步驟在支持向量機中引入非均衡參數，使支持向量機適用于非均衡分布的數據集。調整支持向量機中的非均衡邊緣因子，這樣支持向量機就可以把正樣本的分類邊緣移向分類超平面，得到一個更偏向于正樣本的非均衡時序模型。3.事件檢測事件檢測步驟就是檢測異常事件是否發生。首先是把前面提取好的測試集時序特征放入基于非均衡時序方法的支持向量機中，然后按照非均衡時序方法進行分類，得到視 頻段的分類結果。如果分類結果為真，表示該視頻段內發生了異常事件，否則表示沒有發生異常事件。
權利要求
1.基于非均衡時序的監控視頻異常事件檢測方法，其特征在于首先進行時序特征提取，得到視頻段的時序特征，然后進行模型訓練獲取非均衡時序模型，最后進行事件檢測檢測異常事件是否發生。
2.如權利要求I所述的基于非均衡時序的監控視頻異常事件檢測方法，其特征在于所述時序特征提取首先進行視頻分段得到需要進行異常事件檢測的視頻段，然后再進行特征提取，提取視頻段的特征包括紋理信息、運動信息、時序信息。
3.如權利要求2所述的基于非均衡時序的監控視頻異常事件檢測方法，其特征在于所述模型訓練首先進行訓練集選取，選擇非均衡分布的時序特征樣本作為訓練集，其中非均衡分布的時序特征樣本中異常事件數量少于正常事件；然后進行模型獲取，使用非均衡時序方法對樣本進行訓練，獲取非均衡時序模型。
4.如權利要求2所述的基于非均衡時序的監控視頻異常事件檢測方法，其特征在于所述的非均衡時序方法首先進行時序特征處理，使用支持向量機的核函數處理視頻段的時序特征，解決時序特征的匹配問題；然后進行非均衡數據處理，在支持向量機中引入非均衡參數，使支持向量機適用于非均衡分布的數據集。
5.如權利要求I或2或3或4所述的基于非均衡時序的監控視頻異常事件檢測方法，其特征在于所述的事件檢測采用非均衡時序方法進行分類，如果為真，表示該視頻段內發生了異常事件，否則表示沒有發生異常事件，即表示發生了正常事件。
全文摘要
本發明提供一種基于非均衡時序的監控視頻異常事件檢測方法。首先進行時序特征提取,得到視頻段的時序特征，然后進行模型訓練獲取非均衡時序模型，最后進行事件檢測檢測異常事件是否發生。所述時序特征提取首先進行視頻分段得到需要進行異常事件檢測的視頻段，然后再進行特征提取，提取視頻段的特征；所述模型訓練首先進行訓練集選取，選擇非均衡分布的時序特征樣本作為訓練集，其中非均衡分布的時序特征樣本中異常事件數量少于正常事件；然后進行模型獲取，使用非均衡時序方法對樣本進行訓練，獲取非均衡時序模型。所述的非均衡時序方法首先進行時序特征處理，然后進行非均衡數據處理，在支持向量機中引入非均衡參數，使支持向量機適用于非均衡分布的數據集。
文檔編號G06K9/66GK102938078SQ20121050528
公開日2013年2月20日 申請日期2012年11月30日 優先權日2012年11月30日
發明者王耀威, 夏子威, 田永鴻, 黃鐵軍 申請人:北京理工大學, 北京大學