基于DMC-HMM模型的视频异常行为检测-论文.pdf

《基于DMC-HMM模型的视频异常行为检测-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第3期杭州电子科技大学学报Vo1．34，No．32014年5月JournalofHangzhouDianziUniversityMav．2014doi：10．3969／j．issn．1001—9146．2014．03—005基于DMC—HMM模型的视频异常行为检测岳猛，郭春生(杭州电子科技大学通信工程学院，浙江杭州310018)摘要：针对视频检测算法中选取合适的图像语义特征提取算法的困难和检测计算效率不高的问题，该文提出了一种基于狄利克雷多项式共轭隐马尔科夫模型的视频异常行为检测算法，首先提出了狄利克

2、雷多项式共轭模型用于抽取视频的底层特征的语义特征，接着将该模型与隐马尔可夫模型相结合进行视频异常行为的检测。通过校园人群流动和交通灯车辆流动实验证明，该方法具有较高的计算效率和检测性能。关键词：异常行为检测；光流语义特征抽取；狄利克雷多项式共轭模型；狄利克雷多项式共轭隐马尔科夫模型中图分类号：TP391．4文献标识码：A文章编号：1001—9146(2014)03—0021—040引言视频监控技术最开始只是用于安防领域，随着科技的发展和市场的需求，视频监控技术开始逐渐进入社会各个领域并发挥着无可替代的作用。但

3、是通常采用的基于监督的检测方法往往不够精确，与场景并不能完美地匹配Hj。为提高对场景的匹配程度和检测性能，本文提出的DMC．HMM模型是狄利克雷多项式共轭(DirichletMuhinomialConjugate，DMC)和隐马尔科夫模型(HiddenMarkovModel，HMM)两种模型重新结合产生的。结合后的模型作为基模型参与后续的检测。本文采用的算法是首先获取场景中运动目标的位置、速度及方向等运动特征组成的光流信息作为异常检测时的底层特征，这些光流信息能够很好地描述视频行为，接着将底层特征经过聚类和统

4、计词频构建成词袋BOW的形式作为训练模型的观测量，并通过实验证明了本算法的检测性能。1DMC抽取光流语义特征采用Lueas．Kanade光流算法(Lucas—Kanade，LK)提取视频图像的光流作为图像的底层特征，将得到底层特征构建成词袋文本d，然后通过本文提出的DMC模型训练得到参数0，由于0表示文档中主题分布产生的概率，则可以代表着词袋文本的主题信息，即图像中主要的特征信息，称为图像的主题语义特征。DMC模型统图1DMC模型统计图计图如图1所示，是在隐藏狄利克雷分配(LatentDirichletAll

5、ocation，LDA)模型基础上进行改进得到的，多项式分布的先验参数负责直接控制产生词汇，模型中忽略主题对整个文档分布的影响，因此模型中不再需要存在主题词项矩阵，DMC简化了LDA复杂的结构，因此提升了生成文档的速度。DMC模型参数定义：收稿日期：2013—06—20作者简介：岳猛(1988一)，男，河南信阳人，在读研究生，信号与信息处理22杭州电子科技大学学报2014笠0l～Dir(0【)；Wl0～Muh(0)(1)．式中，0服从Dirichlet(仅)分布，表示文档中主题分布发生的概率。W服从Muhin

6、omial(0)的多项式分布，表示给定主题分布下词汇W产生的概率。2DMC-HMM模型与异常检测2．1模型结构该模型结构上是由DMC模型与HMM结合而成，DMC—HMM模型中HMM的观测量即是DMC模型的参数0，DMC—HMM的结构如图2所示。DMC表示场景的静态空间特征关系，HMM则用来描述场景中时序状态的演变。两则结合体现了场景的时空关系统一。DMC—HMM模型参数定义：7cI～Dir()(2)0J仅，s～DP(Ot，s)(3)S⋯IS=q—Muh(7cq)(4)W10～Muh(0)(5)．式中，服从以为

7、参数的狄利克雷分布，表示状态转移的先验分布，0服从以为集中参数，s为共享基础测量的狄利克雷过程，表示状态的转移概率，sls表示不同时刻的状态转移过程，服从图2DMC—HMM模型统计图的多项式分布。W．lol表示t时刻状态的输出分布，服从0的多项式分布。2．2参数推理对模型中隐含参数的估计即为模型的参数推理，状态转化矩阵A以及词汇W，词汇生成先验参数0、状态参数s、联合概率分布在已知参数及前提下可以表示为：M．N．P(s，W，AI，)=P(AI^y)rip(s⋯ls，A)P(0IOt，s)(rip(Wl0))(

8、6)．参数推理过程使用Gibbs采样过程，由于多项式分布和Dirichlet分布互为共轭分布从而使得A和0能够自动消除，{A，0}在给定全集采样数据P(SIW)后估计参数为从Dirichlet多项式共轭分布中计算出的Dirichlet分布的期望_5J，经过推导最终得到{A，0}的估计为：e(7)：±∑nw,s+NB式中，nw代表生成词w的数量。2．3异常事,件s判断首先将视频图像分割成一帧一帧的图像