基於sift流和隱條件隨機場的人群異常行為識別方法
2023-09-15 08:40:25
基於sift流和隱條件隨機場的人群異常行為識別方法
【專利摘要】本發明公開了一種基於SIFT流和隱條件隨機場的人群異常行為識別方法，包括了建立相鄰幀的SIFT流場，獲取行為視頻序列的每一幀像素點的運動矢量信息，訓練隱條件隨機場模型（HCRF）參數，建立隱條件隨機場模型，進而識別視頻序列中的人群群體異常行為。本發明的目的在於解決傳統的基於條件隨機場的異常行為識別方法中對人群運動信息特徵提取不夠準確以及模型識別能力不夠豐富的缺點，大大提高了異常行為識別的準確度，可用於公共場所人群群體異常行為的識別。
【專利說明】基於SIFT流和隱條件隨機場的人群異常行為識別方法
【技術領域】
[0001]本發明屬於圖像處理領域，具體是一種基於SIFT流和隱條件隨機場的異常行為識別方法，是目前計算機視覺領域中結合SIFT流場和隱條件隨機場參數訓練並對異常行為進行識別的方法。
【背景技術】
[0002]近些年來，人群行為識別作為計算機視覺的重要課題之一，已經在智能視頻監控中應用和普及於公共安全、金融安全、運輸、和其他領域中。現有的人群行為識別方法可以分為基於統計的方法和基於描述方法。SIFT流是最近興起的計算機視覺領域的特徵提取方法，對於幾何變換、光照變換具有不變性，對於噪聲、遮擋、以及背景幹擾均具有良好的魯棒性，並且特徵間具有很高的區分度。但是現有技術中缺少基於SIFT流的人群異常行為識別方法。
【發明內容】
[0003]為了解決現 有技術中存在的上述技術問題，本發明提出一種基於SIFT流和隱條件隨機場的人群異常行為識別方法，包括如下步驟:
步驟(1)輸入包含正常行為的訓練視頻和包含打架、鬥毆、恐慌的人群行為的測試視頻，提取視頻序列中每一幀圖像每一個像素點的SIFT描述子，優化SIFT流場；
步驟(2)匹配相鄰幀圖像像素點，通過SIFT流獲取運動矢量信息，統計歸類每幀圖像的像素點的運動矢量信息，生成加權方向直方圖；
步驟(3)將訓練視頻每一幀的加權方向直方圖集合作為輸入隱條件隨機場模型的一個觀察值序列I =馬,I21r，用於訓練隱條件隨機場模型的參數5 ;
步驟(4)輸入測試視頻的加權方向直方圖集合，用訓練得到的隱條件隨機場模型識別，輸出該段序列屬於正常行為的概率，作為最終的識別結果。
[0004]進一步的，步驟(1)通過如下方式實現:計算此幀圖像中每一個像素點的SIFT局部特徵描述子,建立SIFT金字塔以(幻}，對圖像進行自頂而下進行匹配。
[0005]進一步的，步驟(2)通過如下方式實現:根據相鄰幀的像素點SIFT描述子的匹配，生成像素點運動流場，將每幀所有像素點運動矢量信息歸類為12個方向，得到每幀圖像的加權方向直方圖A。
[0006]進一步的，SIFT描述子S(P)採用如下方式計算:
計算每個像素點梯度值及梯度方向:
【權利要求】
1.一種基於SIFT流和隱條件隨機場的人群異常行為識別方法，包括如下步驟: 步驟(1)輸入包含正常行為的訓練視頻和包含打架、鬥毆、恐慌的人群行為的測試視頻，提取視頻序列中每一幀圖像每一個像素點的SIFT描述子，優化SIFT流場； 步驟(2)匹配相鄰幀圖像像素點，通過SIFT流獲取運動矢量信息，統計歸類每幀圖像的像素點的運動矢量信息，生成加權方向直方圖； 步驟(3)將訓練視頻每一幀的加權方向直方圖集合作為輸入隱條件隨機場模型的一個觀察值序列I =馬，,用於訓練隱條件隨機場模型的參數^ ; 步驟(4)輸入測試視頻的加權方向直方圖集合，用訓練得到的隱條件隨機場模型識別，輸出該段序列屬於正常行為的概率，作為最終的識別結果。
2.如權利要求1所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:步驟(1)通過如下方式實現:計算此幀圖像中每一個像素點的SIFT局部特徵描述子SiP')，建立SIFT金字塔以(幻}，對圖像進行自頂而下進行匹配。
3.如權利要求2所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:步驟(2)通過如下方式實現:根據相鄰幀的像素點SIFT描述子的匹配，生成像素點運動流場W =(?V)，將每幀所有像素點運動矢量信息歸類為12個方向，得到每幀圖像的加權方向直方圖A。
4.如權利要求3所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:SIFT描述子s(p)採用如下方式計算: 計算每個像素點梯度值及梯度方向: m{x,y) = -Jdxj +dy2 ，辦』少)_ tan 石。
5.如權利要求4所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:對於任意點像素，取其周圍X/?像素為局部區域。
6.對局部區域內每一點，計算其梯度值ffiCr,_7)和梯度方向Θ Cr, _7)後，將/?X/7的局部區域均分成個區塊，每個區塊內部分別計算加權梯度直方圖，其中方向角量化為左個區間，權值由Gauss函數給出。
7.如權利要求3所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:生成運動流場W=(u, v)時有如下限制: 相鄰兩幀的像素點/7按照SIFT描述子.5?&)，.52(/7)的相似程度進行匹配； 考慮實際情況，流速《2⑷+Κ2⑷應加以限制，不能過大； 考慮運動的連續性，必須優先匹配像素點的鄰近區域N: f(W) m ^nun(|5, (p) -5|0?+<ρ))|.ο + Σ +Hf) + Σ8—.ceKjp) - μφΙ φ 此方程通過雙平面上的序列置信度傳遞方法(BP-S )求解。
8.如權利要求1所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:對SIFT流場採用如下方式優化:建立SIFT金字塔^⑷}，其中J (I) =A對S⑷進行平滑和下採樣得到S (^+1)；在層I令/?表示要匹配的像素的坐標，α為搜索窗口的中心，w (Pk)為最佳匹配；在圖像金字塔最頂層S (3)，搜索窗口中心在產3，其大小為Xffi O?為圖像S (3)的寬);對下一層的搜索時，只需要對這一層的最優流向量r (Pk)所對應的部分進行搜索即可:即:對圖像進行自頂而下進行匹配，即對於同一尺度的S屍,按照計算像素點的流場，則在尺度搜索時，只需計算s (k)尺度匹配點/7的領域r (Λ)即可。
9.如權利要求3所述的基於SIFT流和隱條件隨機場的人群異常行為識別方法，其特徵在於:分析整段視頻序列時，設置滑動窗口 d的大小為10，即選取10幀的加權方向直方圖作為一個觀察值X={h，h…，滑動窗口一幀一幀移動，形成觀察值序列X = Z1, Z2,…馬.輸入到隱條件隨機場中用於訓練模型參數一 其中，假設每個觀察值X對應一個潛在的變量S，一組觀察序列對應的變量集合為S = K, S2, s-「sT},隱條件隨機場模型通過輸入一段行為的觀察值序列X = XbX2,--' Xr給出該行為屬於正常行為的概率，公式如下:
【文檔編號】G06K9/62GK103577804SQ201310494769
【公開日】2014年2月12日 申請日期:2013年10月21日 優先權日:2013年10月21日
【發明者】章東平, 徐凱航, 陶玉婷, 蘆亞飛 申請人:中國計量學院