[0004] 为了实时地对监控场景下的异常视频事件进行检测，从低秩分解和稀疏表示的角度对监控场景下的视频进行帧编码和重构，本发明提出了一种面向监控场景的在线低秩异常视频事件检测方法，该方法包括以下步骤：
[0005] 1、获取给定场景下的监控视频集合后，进行如下操作：
[0006] 1)将监控视频分为训练视频和测试视频两部分，其中训练视频由选定的正常视频组成，并对各视频帧提取低层视觉特征，形成相应的向量化表示。
[0007] 2)通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型。
[0008] 3)对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，直至视频结束。
[0009] 进一步，所述的步骤1)中的对各视频帧提取低层视觉特征，形成相应的向量化表示，具体是：
[0010] 1.1)对每个视频帧提取三种低层视觉特征，即尺度不变特征变换(SIFT)、局部二值模式(LBP)、梯度直方图(HOG)，刻画帧图像中的全局和局部结构，将提取的三种特征合并成m维的列向量
[0011] 1.2)对n帧训练视频图像形成向量化表示矩阵 对s帧测试视频图像形成向量化表示矩阵 其中训练视频帧的表示矩阵X作为异
常事件检测模型的字典。
[0012] 进一步，所述的步骤2)中的通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型，具体是：
[0013] 2.1)将训练视频的表示矩阵X分解为两部分，即X＝XWV+E：前部分为由字典X与权重矩阵W构线性重构得到的p维基矩阵 与低维系数矩阵 的乘积矩阵，后部分为噪声矩阵 其中p＜＜min(m,n)，即基矩阵和系数矩阵的维度远小于m和n的最小值，每个m维训练帧x对应的p维系数向量表示为v，对应的m维噪声向量为e。
[0014] 2.2)在线系数低秩表示方法是指对权重矩阵W添加Frobenius范数||·||F，对系数矩阵V同时添加Frobenius范数||·||F和l1范数||·||1使其具有稀疏特性，对噪声矩阵E添加l1范数，在上述范数的约束条件下最小化X与(XWV+E)之间的均方误差，其目标函数为[0015]
[0016] 其中，常数λ1>0，λ2>0。
[0017] 2.3)对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵W和稀疏系数矩阵V是指在t(t＝0,1,...,n)轮迭代的情形下，先初始化权重矩阵W0、稀疏系数矩阵V0、噪声矩阵E0为全0矩阵，并引入辅助矩阵 和 也初始化为全0矩阵，下标代表迭代轮数，其迭代的具体步骤如下：
[0018] a)从训练视频帧集合中随机选一帧xt进行模型构建。
[0019] b)在第t轮迭代，固定权重矩阵和噪声向量，通过求解下式获得该轮迭代的系数向量vt，即
[0020]
[0021] 其中符号||·||2表示向量的l2范数。
[0022] c)在第t轮迭代，固定权重矩阵和系数向量，通过求解下式获得该轮迭代的噪声向量et，即
[0023]
[0024] d)通过下式更新两个辅助矩阵，即
[0025]
[0026] 其中符号(·)T表示向量或矩阵的转置。
[0027] e)利用迭代梯度映射规则更新权重矩阵W，即对矩阵的列向量计算梯度，并通过映射得到每个列向量的新表示。
[0028] f)重复上述步骤，直到训练视频帧集合变为空集，并得到通过n次迭代更新的权重矩阵W和稀疏系数矩阵V。
[0029] 2.4)构建异常视频事件检测模型是指对待检测的视频帧xtest进行步骤2.3)中的b)和c)操作后，可得到对应的系数向量vtest和噪声向量etest，然后计算两个重构误差值fv和fe，即
[0030]
[0031]
[0032] 至此异常视频事件检测模型构建完成。
[0033] 所述的步骤3)中的对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，具体是：
[0034] 3.1)对测试视频帧计算归一化重构误差 若重构误差err大于设定的正常数阈值Θ，则判断该视频帧存在异常事件。
[0035] 3.2)对所有的测试视频帧依次逐帧重复步骤3.1),即可判断所有测试视频中的异常事件。
[0036] 本发明提出了面向监控场景的在线低秩异常视频事件检测方法，其优点在于能够对监控场景下的视频从低秩分解和稀疏表示的角度进行视频帧编码和数据重构，可以逐帧实时地判断视频中是否出现异常事件，提高了监控视频异常事件判断的准确度以及效率，为公共交通、重点机关单位、国防军事要地的安防监控等特定场景提供了良好的技术支持。
