資源描述：
《基于DMC-HMM模型的視頻異常行為檢測-論文.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第34卷第3期杭州電子科技大學學報Vo1．34，No．32014年5月JournalofHangzhouDianziUniversityMav．2014doi：10．3969／j．issn．1001—9146．2014．03—005基于DMC—HMM模型的視頻異常行為檢測岳猛，郭春生(杭州電子科技大學通信工程學院，浙江杭州310018)摘要：針對視頻檢測算法中選取合適的圖像語義特征提取算法的困難和檢測計算效率不高的問題，該文提出了一種基于狄利克雷多項式共軛隱馬爾科夫模型的視頻異常行為檢測算法，首先提出了狄利克
2、雷多項式共軛模型用于抽取視頻的底層特征的語義特征，接著將該模型與隱馬爾可夫模型相結(jié)合進行視頻異常行為的檢測。通過校園人群流動和交通燈車輛流動實驗證明，該方法具有較高的計算效率和檢測性能。關(guān)鍵詞：異常行為檢測；光流語義特征抽??；狄利克雷多項式共軛模型；狄利克雷多項式共軛隱馬爾科夫模型中圖分類號：TP391．4文獻標識碼：A文章編號：1001—9146(2014)03—0021—040引言視頻監(jiān)控技術(shù)最開始只是用于安防領(lǐng)域，隨著科技的發(fā)展和市場的需求，視頻監(jiān)控技術(shù)開始逐漸進入社會各個領(lǐng)域并發(fā)揮著無可替代的作用。但
3、是通常采用的基于監(jiān)督的檢測方法往往不夠精確，與場景并不能完美地匹配Hj。為提高對場景的匹配程度和檢測性能，本文提出的DMC．HMM模型是狄利克雷多項式共軛(DirichletMuhinomialConjugate，DMC)和隱馬爾科夫模型(HiddenMarkovModel，HMM)兩種模型重新結(jié)合產(chǎn)生的。結(jié)合后的模型作為基模型參與后續(xù)的檢測。本文采用的算法是首先獲取場景中運動目標的位置、速度及方向等運動特征組成的光流信息作為異常檢測時的底層特征，這些光流信息能夠很好地描述視頻行為，接著將底層特征經(jīng)過聚類和統(tǒng)
4、計詞頻構(gòu)建成詞袋BOW的形式作為訓練模型的觀測量，并通過實驗證明了本算法的檢測性能。1DMC抽取光流語義特征采用Lueas．Kanade光流算法(Lucas—Kanade，LK)提取視頻圖像的光流作為圖像的底層特征，將得到底層特征構(gòu)建成詞袋文本d，然后通過本文提出的DMC模型訓練得到參數(shù)0，由于0表示文檔中主題分布產(chǎn)生的概率，則可以代表著詞袋文本的主題信息，即圖像中主要的特征信息，稱為圖像的主題語義特征。DMC模型統(tǒng)圖1DMC模型統(tǒng)計圖計圖如圖1所示，是在隱藏狄利克雷分配(LatentDirichletAll
5、ocation，LDA)模型基礎(chǔ)上進行改進得到的，多項式分布的先驗參數(shù)負責直接控制產(chǎn)生詞匯，模型中忽略主題對整個文檔分布的影響，因此模型中不再需要存在主題詞項矩陣，DMC簡化了LDA復雜的結(jié)構(gòu)，因此提升了生成文檔的速度。DMC模型參數(shù)定義：收稿日期：2013—06—20作者簡介：岳猛(1988一)，男，河南信陽人，在讀研究生，信號與信息處理22杭州電子科技大學學報2014笠0l～Dir(0【)；Wl0～Muh(0)(1)．式中，0服從Dirichlet(僅)分布，表示文檔中主題分布發(fā)生的概率。W服從Muhin
6、omial(0)的多項式分布，表示給定主題分布下詞匯W產(chǎn)生的概率。2DMC-HMM模型與異常檢測2．1模型結(jié)構(gòu)該模型結(jié)構(gòu)上是由DMC模型與HMM結(jié)合而成，DMC—HMM模型中HMM的觀測量即是DMC模型的參數(shù)0，DMC—HMM的結(jié)構(gòu)如圖2所示。DMC表示場景的靜態(tài)空間特征關(guān)系，HMM則用來描述場景中時序狀態(tài)的演變。兩則結(jié)合體現(xiàn)了場景的時空關(guān)系統(tǒng)一。DMC—HMM模型參數(shù)定義：7cI～Dir()(2)0J僅，s～DP(Ot，s)(3)S?IS=q—Muh(7cq)(4)W10～Muh(0)(5)．式中，服從以為
7、參數(shù)的狄利克雷分布，表示狀態(tài)轉(zhuǎn)移的先驗分布，0服從以為集中參數(shù)，s為共享基礎(chǔ)測量的狄利克雷過程，表示狀態(tài)的轉(zhuǎn)移概率，sls表示不同時刻的狀態(tài)轉(zhuǎn)移過程，服從圖2DMC—HMM模型統(tǒng)計圖的多項式分布。W．lol表示t時刻狀態(tài)的輸出分布，服從0的多項式分布。2．2參數(shù)推理對模型中隱含參數(shù)的估計即為模型的參數(shù)推理，狀態(tài)轉(zhuǎn)化矩陣A以及詞匯W，詞匯生成先驗參數(shù)0、狀態(tài)參數(shù)s、聯(lián)合概率分布在已知參數(shù)及前提下可以表示為：M．N．P(s，W，AI，)=P(AI^y)rip(s?ls，A)P(0IOt，s)(rip(Wl0))(
8、6)．參數(shù)推理過程使用Gibbs采樣過程，由于多項式分布和Dirichlet分布互為共軛分布從而使得A和0能夠自動消除，{A，0}在給定全集采樣數(shù)據(jù)P(SIW)后估計參數(shù)為從Dirichlet多項式共軛分布中計算出的Dirichlet分布的期望_5J，經(jīng)過推導最終得到{A，0}的估計為：e(7)：±∑nw,s+NB式中，nw代表生成詞w的數(shù)量。2．3異常事,件s判斷首先將視頻圖像分割成一幀一幀的圖像
