基于SURF流和LLE稀疏表示的人群异常行为识别方法

摘要

本发明公开了一种基于SURF流和局部线性嵌入稀疏表示的人群异常行为识别方法，主要解决复杂场景中人群特征提取不够准确和人群行为检测中行为特征维数高，数据量大以及特征局部流行结构不稳定的问题。包括如下步骤：（1）输入测试和训练视频样本，建立SURF流场，获取特征点运动矢量信息；（2）分别将测试和训练视频序列每帧特征点矢量信息归类为216维特征，视频序列构成行为特征集；（3）利用局部线性嵌入稀疏表示式对其进行分类，求得稀疏表示系数；（4）计算残差，判断测试视频所属类别。本发明能够有效的保留测试样本的局部流行结构，提高样本的判别能力。

主权项

一种基于SURF流和局部线性嵌入稀疏表示的人群异常行为识别方法，包括以下具体步骤：步骤1、输入包含恐慌、斗殴、打架的异常行为的测试视频序列，对测试视频序列的每一帧的特征点进行哈尔小波变换，获得每个特征点的SURF描述子s＝(∑dx,Σdy,Σ|dx|,Σ|dy|)；步骤2、产生像素点的SURF描述子之后，通过SURF描述子对相邻帧的图像的特征点进行匹配，建立SURF流场，获取像素点的运动矢量信息W＝(u,v)：$\begin{array}{c}E\left(w\right)=\underset{P}{\Sigma }\min \left(\right|\left|s_1\right(p)-s_2(p+w\left(p\right)\left)\right|{|}_1,t)+\underset{p}{\Sigma }\eta \left(\right|\mu \left(p\right)|+|v\left(p\right)\left|\right)+\underset{(p,q)\in ϵ}{\Sigma }\min \left(\alpha \right|\mu \left(p\right)-\mu \left(q\right)|,d)\\ +\min \left(\alpha \right|v\left(p\right)-v\left(q\right),d\left|\right)\end{array}$此方程通过双平面上的序列置信度传递方法求解；步骤3、将每帧图像像素点的运动矢量信息W＝(u,v)降维归类为H×h维行为特征，将测试视频序列的所有帧行为特征归类为行为特征集y∈[y₁,y₂,…y_m]，作为输入局部线性嵌入稀疏模型的测试序列集合；步骤4、输入测试视频特征集y∈[y₁,y₂,…y_m]和常见异常行为视频特征集D＝[D₁,D₂,......,D_k]，通过局部线性嵌入稀疏表示式，求解稀疏表示系数α_i：$\underset{{\alpha }_1,{\alpha }_2,...,{\alpha }_n}{\min }\underset{i=1}{\overset{n}{\Sigma }}\left|\right|y_i-{\mathrm{D\alpha }}_i|{|}^2+{\lambda }_1\underset{i,j=1}{\overset{n}{\Sigma }}{M}_{i,j}{\alpha }_i^T{\alpha }_j+\underset{i=1}{\overset{n}{\Sigma }}\lambda |\left|{\alpha }_i\right|{|}_1;$步骤5、计算出稀疏表示系数α_i后，通过下式中计算最小残差Rⁱ(y)，来确定测试视频序列y所对应的非零a_i所在的区域，进而根据非零a_i的分布状况来判断测试视频序列所属异常行为的类别：$class\left(y\right)=\arg \underset{i=1,...M}{min}{R}^i\left(y\right).$