基于运动重构技术的交通场景异常检测方法

摘要

本发明涉及一种基于运动重构技术的交通场景异常检测方法，针对复杂运动模式和变化背景，本发明通过更加合理的运动信息描述方法，并利用运动模式的空间位置信息，探索了不同运动模式间的空间结构信息，进而解决了现有的异常检测方法对该特定场景的不适用性。

主权项

一种基于运动重构技术的交通场景异常检测方法，其特征在于步骤如下：步骤1：计算前50帧视频中各个像素点的运动方向和运动幅度：$\begin{array}{c}{m}_o=arctan(\Delta y/\Delta x)\\ m_m=\sqrt{{\mathrm{\Delta x}}^2+{\mathrm{\Delta y}}^2}\end{array}$其中，(Δx,Δy)为像素的光流信息；将运动方向按照对应像素的位置排列成运动方向场M_o，将运动幅度按照对应像素的位置排列成运动幅度场M_m；使用SLIC超像素分割方法对这两个运动场进行分割，并计算每个分割区域运动方向y_o或运动幅度y_m，将分割区域的中心位置z_o或z_m记为空间位置坐标；步骤2：将所有分割区域的运动方向y_o的集合矩阵Y₀输入到下式进行优化：$\begin{array}{cc}\underset{C}{\min }& {\lambda }_1\left|\right|C_0|{|}_{1,2}+\frac{1}{2}||Y_0-Y_0{C}_0|{|}_F^2\\ s.t.& diag\left(C_0\right)=0\end{array}$其中，λ₁为超参数，‖·‖_F表示矩阵的F‑范数，C₀为优化参数；优化得到最优参数C₀^*，根据其行向量2范数对其进行排列，得到：$\left|\right|{c_0}^{i_1}\left|\right|\ge \left|\right|{c_0}^{i_2}\left|\right|\ge ...\left|\right|{c_0}^{i_n}\left|\right|$其中，表示最优参数C₀^*中的第i_n行向量；选择前T个行向量对应的y_o组成字典D₀，其字典元素对应的空间位置z_o组成集合L₀；将所有分割区域的运动幅度y_m的集合矩阵Y_m输入到下式进行优化：$\begin{array}{cc}\underset{C}{\min }& {\lambda }_1\left|\right|C_m|{|}_{1,2}+\frac{1}{2}||Y_m-Y_m{C}_m|{|}_F^2\\ s.t.& diag\left(C_m\right)=0\end{array}$其中，λ₁为超参数，‖·‖_F表示矩阵的F‑范数，C_m为优化参数；优化得到最优参数C_m^*，根据其行向量2范数对其进行排列，得到：$\left|\right|{c_m}^{i_1}\left|\right|\ge \left|\right|{c_m}^{i_2}\left|\right|\ge ...\left|\right|{c_m}^{i_n}\left|\right|$其中，表示最优参数C_m^*中的第i_n行向量；选择前T个行向量对应的y_m组成字典D_m，其字典元素对应的空间位置z_m组成集合L_m；步骤3：计算第51帧视频中的局部运动方向的空间位置坐标与字典元素空间位置L₀的距离，选择距离从近到远的前K个字典元素组成局部字典D_ol；计算运动方向重构误差：$a_o=EMD(y_o^{*},D_{ol}{c}_o)$其中EMD()表示Earth Mover s Distance，c_o为下述优化问题的最优解：$c_o=\arg \underset{c}{min}\left|\right|y_o^{*}-D_{ol}c|{|}_F^2+{\lambda }_2|\left|c\right|{|}_1$其中，λ₂为超参数，c为优化参数；计算第51帧视频中的局部运动幅度的空间位置坐标与字典元素空间位置L_m的距离，选择距离从近到远的前K个字典元素组成局部字典D_ml，其字典元素对应的空间位置组成集合；计算运动幅度重构误差：$a_m=\frac{1}{K}\underset{j=1}{\overset{K}{\Sigma }}{w}_j\times EMD(y_m^{*},D_{mlj})$其中，D_mlj表示字典D_ml中的第j个字典元素，为不同位置的字典元素不同的权重，l_mlj表示字典L_ml中的第j个字典元素；将运动方向重构误差a_o按照对应像素的位置排列成运动方向异常分布图S_O，运动幅度重构误差a_m按照对应像素的位置排列成运动幅度异常分布图S_M；步骤4：计算融合后的交通场景异常分布图S(S_O(z),S_M(z))：$S\left(S_O\right(z),S_M(z\left)\right)=\frac{1}{2}\left(p\right(F_O|S_M\left(z\right))+p(F_M|S_O\left(z\right)\left)\right)$其中：$p\left(F_O\right|S_M\left(z\right))=\frac{S_O\left(z\right)p\left(S_M\right(z\left)\right|F_O)}{S_O\left(z\right)p\left(S_M\right(z\left)\right|F_O)+(1-S_O(z\left)\right)p\left(S_M\right(z\left)\right|B_O)}$$\begin{array}{c}p\left(S_M\left(z\right)|F_O\right)=\frac{N_{{\mathrm{bF}}_o}\left(S_M\left(z\right)\right)}{N_{F_O}}\\ p\left(S_M\left(z\right)|B_O\right)=\frac{N_{{\mathrm{bB}}_O}\left(S_M\left(z\right)\right)}{N_{B_O}}\\ p\left(F_M|S_O\left(z\right)\right)=\frac{S_M\left(z\right)p\left(S_O\left(z\right)|F_M\right)}{S_M\left(z\right)p\left(S_O\left(z\right)|F_M\right)+\left(1-S_M\left(z\right)\right)p\left(S_O\left(z\right)|B_M\right)}\\ p\left(S_O\left(z\right)|F_M\right)=\frac{N_{{\mathrm{bF}}_M}\left(S_O\left(z\right)\right)}{N_{F_M}}\\ p\left(S_O\left(z\right)|B_M\right)=\frac{N_{{\mathrm{bB}}_M}\left(S_O\left(z\right)\right)}{N_{B_M}}\end{array}$和分别表示S_O检测出的异常区域F_O和正常区域B_O的像素个数；和分别表示在S_M中数值属于异常和正常的像素个数；和分别表示S_M检测出的异常区域F_M和正常区域B_M的像素个数；和分别表示在S_O中数值属于异常和正常的像素个数，p(F_O|S_M(z)和p(F_M|S_O(z))为位置z处像素点的似然概率，S_O(z)和S_M(z)为运动方向异常分布图和运动幅度异常分布图在位置z处的重构误差。