基于視頻運動信息特征提取與自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)的異常行為識別方法
【專利摘要】本發(fā)明涉及一種基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法，包括：首先根據(jù)視頻相鄰圖像幀計算光流，由水平方向和豎直方向的光流計算光流方向，以光流的強度為權(quán)重計算光流方向直方圖，并將直方圖特征轉(zhuǎn)換成具有概率屬性的特征屬性，然后根據(jù)正常和異常的訓(xùn)練樣本訓(xùn)練基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)得到分類器。測試階段，在使用訓(xùn)練得到的分類模型前，按照相鄰幀光流直方圖相同的計算方法，得到測試樣本的光流方向直方圖，最后根據(jù)訓(xùn)練學(xué)習(xí)得到的分類模型進(jìn)行測試樣本中的異常行為識別。本發(fā)明具有識別率高、計算復(fù)雜度小等特定，可廣泛應(yīng)用于異常行為識別、動作分析領(lǐng)域。
【專利說明】
基于視頻運動信息特征提取與自適應(yīng)増強算法的誤差反向傳 播網(wǎng)絡(luò)的異常行為識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理技術(shù)，特別是設(shè)及一種基于視頻運動信息特征提取與基于自 適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法。
【背景技術(shù)】
[0002] 眾所周知，為了確保公共場所安全，監(jiān)控已經(jīng)被廣泛應(yīng)用。然而當(dāng)事故發(fā)生時，由 于監(jiān)控室的工作人員面對眾多的監(jiān)控視頻，事故依然很難被及時發(fā)現(xiàn)。比如商場里突然出 現(xiàn)搶劫案，得不到及時處理將會造成更大的影響。因此，像商場、繁華街道、火車站、運動場 等公共場所都需要智能監(jiān)控。
[0003] 視頻中的異常行為識別一直廣泛受國內(nèi)外學(xué)者的關(guān)注。通常情況下，我們將異常 行為分為兩類:一是小概率或相反的先驗規(guī)則的行為;二是與已知的正常行為模式不匹配 的行為。目前關(guān)于異常行為識別的方法主要有=類:支持向量機、決策樹和神經(jīng)網(wǎng)絡(luò)。異常 識別可W應(yīng)用于多種領(lǐng)域，比如交通、醫(yī)學(xué)等。
[0004] 由此可見，現(xiàn)有技術(shù)中，基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost) 強分類器的在復(fù)雜場景中的異常檢測的方法在該領(lǐng)域是非常前沿的。
[0005] 近年來，人工智能技術(shù)發(fā)展日益成熟，異常行為檢測問題是其中一個研究熱點，在 運些年的研究過程中，許多研究者提出了有效的檢測方法。自適應(yīng)增強算法(Adaboost)是 Schapire和Freund在1995年提出的，有很多學(xué)者應(yīng)用運一算法并且發(fā)表了文獻(xiàn)。運一算法 的優(yōu)點是實用而且快速。本發(fā)明對于監(jiān)控視頻提取運動特征，與基于自適應(yīng)增強算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)相結(jié)合，快速的檢測視頻中的異常行為。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明的主要目的在于提供一種行為檢測精度高、行為識別準(zhǔn)確、計算 復(fù)雜度也比較低的基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤差反向傳播網(wǎng) 絡(luò)(BP Adaboost)的異常行為識別方法。
[0007] 為了達(dá)到上述目的，本發(fā)明提出的技術(shù)方案為:一種基于視頻運動信息特征提取 與基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法，實現(xiàn)步 驟如下：
[000引步驟1、讀取訓(xùn)練樣本視頻，將視頻分解成單個帖，根據(jù)相鄰帖計算光流；
[0009] 步驟2、根據(jù)步驟1得到的光流，由水平方向和豎直方向的光流計算光流方向，W光 流的強度為權(quán)重計算光流方向直方圖，然后將光流直方圖作為描述場景中運動信息的特征 向量；
[0010] 步驟3、將步驟2得到的訓(xùn)練樣本的特征向量分成正常和異常兩類，根據(jù)正常和異 常類的視頻樣本，得到運動的特征向量，即全圖的光流方向直方圖，用運些特征數(shù)據(jù)訓(xùn)練BP 網(wǎng)絡(luò)的弱分類器，即基于圖像運動特征的訓(xùn)練得到弱分類器；
[0011] 步驟4、根據(jù)弱分類器的結(jié)果，利用自適應(yīng)增強算法(Adaboost)調(diào)整若干個弱分類 器的權(quán)重，由若干個弱分類器加權(quán)得到強分類器；
[0012] 步驟5、根據(jù)步驟4得到的強分類器，便可W進(jìn)行測試，讀取待檢測視頻，按照步驟1 的方法，將視頻分解成單帖，根據(jù)相鄰帖計算光流；
[0013] 步驟6、由步驟5得到的光流，根據(jù)水平方向和豎直方向的光流計算光流方向，W光 流的強度為權(quán)重計算光流方向直方圖，然后將直方圖作為描述場景中運動信息的特征向 量；
[0014] 步驟7、根據(jù)步驟4得到的強分類器和步驟6計算得到的特征向量，對待測試樣本進(jìn) 行檢測，便可檢測正常、異常兩類視頻帖。
[0015] 所述步驟2中W光流的強度為權(quán)重計算光流方向直方圖的方法如下：
[0016] 步驟i)將每一帖圖像劃分為相互重疊的圖像塊，每個圖像塊中包括若干圖像元 胞；
[0017] 步驟ii)在由步驟i)中得到的每個圖像元胞中計算光流方向，并W光流強度為權(quán) 重，對光流方向進(jìn)行加權(quán)；
[0018] 步驟i i i)步驟i i)中得到的光流方向計算每個圖像元胞中的光流方向直方圖；
[0019] 步驟iv)最后對每個圖像元胞的光流方向直方圖進(jìn)行串聯(lián)，得到整幅圖像的光流 方向直方圖，用來描述圖像運動信息。
[0020] 所述步驟(3)和步驟(4)的具體過程為：
[0021 ]步驟i)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化，從樣本空間中隨機選擇m組訓(xùn)練數(shù)據(jù)，初始化數(shù)據(jù) 的分布權(quán)值Dt(i) = l/m，根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò)，初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和 闊值；
[0022] 步驟ii)弱分類器預(yù)測，訓(xùn)練第t個弱分類器時，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且 預(yù)測訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測序列g(shù)(t)的預(yù)測誤差和et，誤差和的計算公式為：
!?二 1.2、...，巧 1 (g(〇 勺'）。
[0023] 式中，g(t)為預(yù)測序列;y為期望分類結(jié)果;Di(i)為測試數(shù)據(jù)的分布權(quán)值。
[0024] 步驟iii)計算預(yù)測序列權(quán)重，根據(jù)預(yù)測序列g(shù)(t)的預(yù)測誤差和et計算序列的權(quán)重 at,權(quán)重計算公式天
；
[0025] 步驟iv)測試數(shù)據(jù)權(quán)重調(diào)整，根據(jù)預(yù)測序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整 公式為：
[0026]
I = 1,2,.,. ,m
[0027] 式中，Bt是歸一化因子，目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1;
[002引步驟V)訓(xùn)練T輪后得至I"組弱分類器f(gt，at)，由T組弱分類器f(gt，at)組合得到了 強分類器Mx);
[0029]步驟Vi)訓(xùn)練樣本中將正常樣本設(shè)為1，異常樣本設(shè)為-1，利用強分類器與待測視 頻的特征數(shù)據(jù)進(jìn)行運算，得到分類結(jié)果，
[0030]
[0031] 所述步驟(7)中對待測試樣本進(jìn)行檢測時，通過對圖像運動信息進(jìn)行檢測，能夠得 到異常行為。
[0032] 綜上所述，本發(fā)明所述的基于視頻運動信息特征提取與BP Adaboost的異常行為 識別方法，首先對樣本視頻進(jìn)行單帖分解，由視頻相鄰帖計算光流，根據(jù)水平方向和垂直方 向的光流計算光流方向，W光流的強度為權(quán)重計算光流方向直方圖，然后將直方圖特征轉(zhuǎn) 換成具有概率屬性的特征向量。根據(jù)正常和異常類的視頻樣本，訓(xùn)練BP Adaboost模型得到 高準(zhǔn)確率的分類器。在對待測視頻樣本進(jìn)行視頻帖分解，采用相同的方法獲取光流方向直 方圖，并W直方圖特征描述圖像運動信息。根據(jù)得到的分類器與計算得到的特征算子，對待 測試樣本進(jìn)行檢測。
[0033] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于:本發(fā)明具有行為檢測精度高，行為識別準(zhǔn)確、 計算復(fù)雜度小等特定，可廣泛應(yīng)用于異常行為識別、動作分析領(lǐng)域。B巧巾經(jīng)網(wǎng)絡(luò)具有并行處 理、聯(lián)想記憶和自適應(yīng)學(xué)習(xí)的能力，在非線性優(yōu)化、預(yù)測評估和自適應(yīng)控制等領(lǐng)域有廣泛的 應(yīng)用，但當(dāng)應(yīng)用到安全監(jiān)測時，由于其泛化能力受到隱層層數(shù)、輸入因子數(shù)等的影響，需經(jīng) 過不斷嘗試才能建立一個較好的模型；而Adaboost算法能對同一個訓(xùn)練集進(jìn)行訓(xùn)練得到不 同的弱分類器，將弱分類器按不同的權(quán)重疊加（Boost)得到強分類器，將BP神經(jīng)網(wǎng)絡(luò)與 Adaboost算法相結(jié)合得到的模型既避免了不斷嘗試的繁瑣過程，又提高了 BP神經(jīng)網(wǎng)絡(luò)的泛 化能力，預(yù)測精度更高，穩(wěn)定性更好。
【附圖說明】
[0034] 圖1為本發(fā)明實現(xiàn)流程圖；
[0035] 圖2是本發(fā)明所述基于光流場的光流方向直方圖計算方法流程圖；
[0036] 圖3是本發(fā)明所述基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)(BP Adaboost)分類 器訓(xùn)練方法。
【具體實施方式】
[0037] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例對 本發(fā)明作進(jìn)一步地詳細(xì)描述。
[0038] 本發(fā)明所述的基于視頻運動信息特征提取與BP Adaboost的異常行為識別方法， 首先對樣本視頻進(jìn)行單帖分解，由視頻相鄰帖計算光流，根據(jù)水平方向和垂直方向的光流 計算光流方向，W光流的強度為權(quán)重計算光流方向直方圖，然后將直方圖特征轉(zhuǎn)換成具有 概率屬性的特征向量。根據(jù)正常和異常類的視頻樣本，訓(xùn)練BP Adaboost模型得到高準(zhǔn)確率 的分類器。在對待測視頻樣本進(jìn)行視頻帖分解，采用相同的方法獲取光流方向直方圖，并W 直方圖特征描述圖像運動信息。根據(jù)得到的分類器與計算得到的特征算子，對待測試樣本 進(jìn)行檢測。
[0039] 如圖1所示，本發(fā)明具體實現(xiàn)如下步驟：
[0040] 步驟1)、讀取訓(xùn)練樣本視頻，將視頻分解成單帖，根據(jù)相鄰帖計算光流；
[0041 ] 步驟2)、根據(jù)步驟1)得到的光流，由水平方向和豎直方向的光流計算光流方向，W 光流的強度為權(quán)重計算光流方向直方圖，然后將直方圖特征轉(zhuǎn)換成具有概率屬性的特征向 量；
[0042] 步驟3)、根據(jù)正常和異常類的視頻樣本，訓(xùn)練BP網(wǎng)絡(luò)弱分類器；
[0043] 步驟4)、根據(jù)弱分類器的結(jié)果，利用Adaboost原理調(diào)整各分類器的權(quán)重，得到高準(zhǔn) 確率的強分類器。
[0044] 步驟5)、讀取待檢測視頻，將視頻分解成單帖，根據(jù)相鄰帖計算光流；
[0045] 步驟6)、根據(jù)水平方向和豎直方向的光流計算光流方向，W光流的強度為權(quán)重計 算光流方向直方圖，然后將直方圖作為描述場景中運動信息的特征向量；
[0046] 步驟7)、根據(jù)視頻運動信息特征提取方法，計算帶測試的視頻中的相關(guān)運動信息， 即光流方向直方圖，而后利用步驟3與步驟4得到的強分類器對光流方向直方圖進(jìn)行分類， 得到所檢測帖的標(biāo)識，根據(jù)分類結(jié)果，即得到正常、異常兩類視頻帖。
[0047] 如圖2所示，所述步驟2)中的光流方向直方圖計算方法如下：
[0048] 步驟i)、將每一帖圖像劃分為相互重疊的圖像塊，每個圖像塊中包括若干圖像元 胞；
[0049] 步驟ii)、在由步驟i)中得到的每個元胞中計算光流方向，并W光流強度為權(quán)重， 對光流方向進(jìn)行加權(quán)；
[0050] 步驟iii)、步驟ii)中得到的光流方向分到9個分區(qū)中，計算光流方向直方圖；
[0051] 步驟iv)、最后對全圖的光流直方圖為每個圖像塊的串聯(lián)；
[0052] 光流方向直方圖作為本發(fā)明所述一種描述符，其計算過程中的超參數(shù)，比如重疊 比、塊大小和圖像元胞大小，是由使用交叉驗證或驗證集的網(wǎng)格捜索決定。從視頻中分解出 的視頻帖，首先計算光流從而獲得低等級特征。為了獲取光流方向直方圖，每一帖都被分解 成密度和重疊塊，然后分割成圖像元胞，W光流強度對每一個元胞的光流方向進(jìn)行加權(quán)。直 方圖通過圖像元胞中的光流場方向生成，光流方向直方圖是通過串聯(lián)所有圖像塊的直方圖 獲得。
[0053] 如圖3所示，所述步驟3中的分類闊值計算方法是，根據(jù)隱馬爾可夫模型對正常和 異常的視頻樣本進(jìn)行分析，根據(jù)模擬退火算法得到分類闊值。
[0054] Adaboost算法的思想是合并多個"弱"分類器的輸出W產(chǎn)生有效分類。其主要步驟 為:首先給出弱學(xué)習(xí)算法和樣本空間（x，y)，從樣本空間中找出m組訓(xùn)練數(shù)據(jù)，每組訓(xùn)練數(shù)據(jù) 送我權(quán)重都是1/m，然后用弱學(xué)習(xí)算法迭代運算T次，每次運算后都按照分類結(jié)果更新訓(xùn)練 數(shù)據(jù)權(quán)重分布，對于分類失敗的訓(xùn)練個體賦予較大權(quán)重，下一次迭代運算時更加關(guān)注運些 訓(xùn)練個體。弱分類器通過反復(fù)迭代得到一個分類函數(shù)序列fl，f2，…fT，每個分類函數(shù)賦予一 個權(quán)重，分類結(jié)果越好的函數(shù)，其對應(yīng)權(quán)重越大。T次迭代后，最終強分類函數(shù)F由弱分類函 數(shù)加權(quán)得到。BP Adaboost模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測樣 本輸出，通過Adaboost算法得到多個BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強分類器。
[0化日]算法步驟如下：
[0056] 步驟i)、數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化。從樣本空間中隨機選擇m組訓(xùn)練數(shù)據(jù)，初始化數(shù) 據(jù)的分布權(quán)值Dt( i ) = 1/m，根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò)，初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值 和闊值。
[0057] 步驟ii)、弱分類器預(yù)測。訓(xùn)練第t個弱分類器時，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且 預(yù)測訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測序列g(shù)(t)的預(yù)測誤差和et，誤差和的計算公式為：
[0化引
[0059] 式中，g(t)為預(yù)測序列;y為期望分類結(jié)果。
[0060] 步驟iii)、計算預(yù)測序列權(quán)重。根據(jù)預(yù)測序列g(shù)(t)的預(yù)測誤差和et計算序列的權(quán) 重at,權(quán)重計算公式戈
[0061] 步驟iv)、測試數(shù)據(jù)權(quán)重調(diào)整。根據(jù)預(yù)測序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào) 整公式為：
[0062]
J = 1,2,,.. ,m
[0063] 式中，Bt是歸一化因子，目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1。
[0064] 步驟V)、強分類函數(shù)。訓(xùn)練T輪后得到T組弱分類器f(gt，at)，由T組弱分類函數(shù)f (gt，at)組合得到了強分類器。
[00 化]
[0066] 式中at為權(quán)重，Si即為符號函數(shù)。
[0067] 光流方向直方圖不僅有高的計算效率，對噪聲有著更好的容忍度。
[0068] 綜上所述，W上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。 凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的 保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò)（BP Adaboost)的異常行為識別方法，其特征在于實現(xiàn)步驟如下： 步驟1、讀取訓(xùn)練樣本視頻，將視頻分解成單個幀，根據(jù)相鄰幀計算光流； 步驟2、根據(jù)步驟1得到的光流，由水平方向和豎直方向的光流計算光流方向，以光流的 強度為權(quán)重計算光流方向直方圖，然后將光流直方圖作為描述場景中運動信息的特征向 量； 步驟3、將步驟2得到的訓(xùn)練樣本的特征向量分成正常和異常兩類，根據(jù)正常和異常類 的視頻樣本，得到運動的特征向量，即全圖的光流方向直方圖，用這些特征數(shù)據(jù)訓(xùn)練BP網(wǎng)絡(luò) 的弱分類器，即基于圖像運動特征的訓(xùn)練得到弱分類器； 步驟4、根據(jù)弱分類器的結(jié)果，利用基于自適應(yīng)增強算法的誤差反向傳播網(wǎng)絡(luò) (Adaboost)調(diào)整若干個弱分類器的權(quán)重，由若干個弱分類器加權(quán)得到強分類器； 步驟5、根據(jù)步驟4得到的強分類器，便可以進(jìn)行測試，讀取待檢測視頻，按照步驟1的方 法，將視頻分解成單幀，根據(jù)相鄰幀計算光流； 步驟6、由步驟5得到的光流，根據(jù)水平方向和豎直方向的光流計算光流方向，以光流的 強度為權(quán)重計算光流方向直方圖，然后將直方圖作為描述場景中運動信息的特征向量； 步驟7、根據(jù)步驟4得到的強分類器和步驟6計算得到的特征向量，對待測試樣本進(jìn)行檢 測，便可檢測正常、異常兩類視頻幀。2. 根據(jù)權(quán)利要求1所述的一種基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法，其特征在于:所述步驟2中以光流的 強度為權(quán)重計算光流方向直方圖的方法如下： 步驟i)將每一幀圖像劃分為相互重疊的圖像塊，每個圖像塊中包括若干圖像元胞； 步驟ii)在由步驟i)中得到的每個圖像元胞中計算光流方向，并以光流強度為權(quán)重，對 光流方向進(jìn)行加權(quán)； 步驟iii)步驟ii)中得到的光流方向計算每個圖像元胞中的光流方向直方圖； 步驟iv)最后對每個圖像元胞的光流方向直方圖進(jìn)行串聯(lián)，得到整幅圖像的光流方向 直方圖，用來描述圖像運動信息。3. 根據(jù)權(quán)利要求1所述的一種基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法，其特征在于:所述步驟(3)和步驟(4) 的具體過程為： 步驟i)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化，從樣本空間中隨機選擇m組訓(xùn)練數(shù)據(jù)，初始化數(shù)據(jù)的分 布權(quán)值Dt (i ) = Ι/m，根據(jù)樣本輸入輸出位數(shù)確定神經(jīng)網(wǎng)絡(luò)，初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值； 步驟ii)弱分類器預(yù)測，訓(xùn)練第t個弱分類器時，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且預(yù)測 訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測序列g(shù)(t)的預(yù)測誤差和et，誤差和的計算公式為 1,2,... ,m(g(t)^y)；式中，g(t)為預(yù)測序列;y為期望分類結(jié)果;D1Q)為測試數(shù)據(jù)的分布權(quán)值； 步驟iii)計算預(yù)測序列權(quán)重，根據(jù)預(yù)測序列g(shù)(t)的預(yù)測誤差和et計算序列的權(quán)重&，權(quán) 重計算公式7步驟iv)測試數(shù)據(jù)權(quán)重調(diào)整，根據(jù)預(yù)測序列權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式 為： 式中，Bt是歸一化因子，目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1; 步驟V)訓(xùn)練T輪后得到T組弱分類器f(gt，at)，由T組弱分類器f(gt，a t)組合得到了強分 類器h(x); 步驟vi)訓(xùn)練樣本中將正常樣本設(shè)為1，異常樣本設(shè)為-1，利用強分類器與待測視頻的 撒抿講軒壇管.犋剄分悉鈷里.4.根據(jù)權(quán)利要求1所述的一種基于視頻運動信息特征提取與基于自適應(yīng)增強算法的誤 差反向傳播網(wǎng)絡(luò)(BP Adaboost)的異常行為識別方法，其特征在于:所述步驟(7)的具體過 程為： 步驟i)根據(jù)視頻運動信息特征提取方法，計算帶測試的視頻中的相關(guān)運動信息，即光 流方向直方圖； 步驟ii)利用步驟3與步驟4得到的強分類器對光流方向直方圖進(jìn)行分類，得到所檢測 幀的標(biāo)識； 步驟iii)根據(jù)分類結(jié)果，即得到正常、異常兩類視頻幀。
【文檔編號】G06K9/62GK106022229SQ201610309832
【公開日】2016年10月12日
【申請日】2016年5月11日
【發(fā)明人】王田, 張雨琪, 喬美娜, 陶飛
【申請人】北京航空航天大學(xué)