CN101025825B - 异常行为探测装置 - Google Patents

Abstract

本发明提供一种异常行为探测装置，该异常行为探测装置能够计算影像中的人物和动物等的行为异常程度，并根据该异常程度确切地判断出是否发生了异常行为。在本发明所涉及的异常行为探测装置中，计算由影像获取部获取的监视对象的影像异常程度，并根据阈值，从计算出的异常程度判断是否发生了异常行为。由于能够根据影像中的异常程度确切地判断是否发生了异常，所以在发生了异常时，能够通过发出警告或者向保安人员通报，迅速地对该异常采取措施。

Description

异常行为探测装置

技术领域

本发明涉及一种用于探测人和动物等的异常行为的异常行为探测装置。

背景技术

为了对应犯罪发生率的增长等社会不稳定因素，用于监视可疑人物和可疑车辆的摄像机的设置数量正在不断地增加。在使用如此众多的摄像机进行监视时，为了以有限的监视人员资源来有效地对监视区域进行监视，需要采用监视援助技术。

作为这样的监视援助技术，例如在专利文献1的日本国发明专利特开2005-92346号公报中公开了一种“从三维数据中提取特征量的方法以及装置”。其中公开了被称为立体高次局部自相关特征的运动图像的特征量的提取方法。而且，将该特征量应用在行为识别和走路姿势认证上的方法也已经公开。

此外，非专利文献1公开了一种使用立体高次局部自相关特征来计算影像中的人物行为的异常程度的方法。

专利文献1：日本国发明专利特开2005-92346号公报

非专利文献1：“从多个人的运动图像中探测异常动作”，南里卓也，大津展之，信息处理学会研究报告2004-CVIM-145，2004年9月11日

上述现有技术是一种将影像中的人物和动物等的行为的异常程度作为纯(scalar)量而算出的技术，其存在着不能够立刻判断实际上是否已经发生了异常行为的问题。

发明内容

本发明基于上述问题而提出，其目的在于提供一种异常行为探测装置，该异常行为探测装置能够计算影像中的人物和动物等的行为的异常程度，并根据该异常程度确切地判断出是否发生了异常行为。

在本发明所涉及的异常行为探测装置中，计算出影像获取部所获取的监视对象的影像异常程度，并根据阈值由计算出的异常程度来判断是否发生了异常行为。

根据本发明，能够根据影像中的异常程度确切地判断出是否发生了异常行为。因此，在发生了异常时，能够通过发出警告或者向保安人员通报，迅速地对该异常行为采取相应措施。

附图说明

图1是表示作为本发明一个实施例的异常行为探测装置的功能结构的框图。

图2是表示异常判断时的处理流程的流程图。

图3是表示异常程度计算部的功能结构的框图。

图4是表示异常程度计算处理的流程的流程图。

图5是表示进行立体高次局部自相关计算时使用的帧的说明图。

图6是立体高次局部自相关的点阵结构(mask pattem)的说明图。

图7是表示立体高次局部自相关特征的计算处理的流程的流程图。

图8是表示转换矩阵的计算处理流程的流程图。

图9是局部空间的计算处理的说明图。

图10是异常程度的评估方法的说明图。

图11是表示判断阈值计算时的处理流程的流程图。

图12是各个场景的最大异常程度的说明图。

图13是误报率和未报率的说明图。

图14是错误曲线的说明图。

图15是局部空间的决定处理的说明图。

图16是监视画面的例子的说明图。

图17是表示三个等级的异常判断处理流程的流程图。

图18表示具有本发明所涉及的异常行为探测装置的电梯装置。

图中：10—异常行为探测装置，20—电梯控制装置，30—摄像头，40—电梯轿厢，50—尾缆，100—影像获取部，102—异常程度计算部，104一异常判断部，106—判断阈值，108—判断结果，110—判断阈值计算部，112—通报部。

具体实施方式

以下参照附图，对本发明的实施形式进行详细说明。

图1是表示作为本发明一个实施例的异常行为探测装置的功能结构的框图。本装置由影像获取部100、异常程度计算部102、异常判断部104、判断阈值计算部110以及通报部112构成，其根据由影像获取部100获取的监视对象的影像探测异常行为。以下依序进行说明。

影像获取部100是摄像机等的摄像设备或者录像机等的影像再现装置，用于获得成为本装置的输入的影像。摄像设备在将正在拍摄的实时影像作为输入时使用。影像再现装置在将过去所积累的影像作为输入时使用。

异常程度计算部102用于计算影像获取部100所获取的影像的异常程度。其中，所谓的异常程度是一种纯量，其表示影像中的人物和动物等活动物体的行为异常程度。

异常判断部104根据异常程度计算部102算出的异常程度，判断是否发生了异常行为，并将该结果作为判断结果108输出。使用判断阈值106作为判断基准，当异常程度小于判断阈值106时，判断为没有发生异常行为。相反，当异常程度在判断阈值106以上时，判断为发生了异常行为。

判断阈值计算部110用于计算异常判断部104进行判断处理时所需的判断阈值106。其中，判断阈值计算部110根据判断结果108进行计算，以使异常判断部104的判断精度成为最佳的判断精度。

通报部112根据判断结果108，在发生了异常行为时，将发生了异常行为这一情况通知给外部装置。接到通知的外部装置能够以语音形式输出警报，也能够向监视画面输出警报。而且，也能够基于安全方面的考虑而使电梯等装置停止运行。并且，还能够以远距离通信的方式通知监视中心和移动终端等，以促使其采取措施。

异常程度计算部102、异常判断部104、判断阈值计算部110以及通报部112能够通过CPU或CPU等的运算处理装置或者个人电脑来实现。并且，判断阈值和判断结果等被存储在半导体存储器等存储装置中，可以随时读取并在各种运算中使用。

以下参照图2的流程图，对通过本实施例的异常行为探测装置进行异常判断时的处理流程进行说明。

在步骤200中，以预先设定好的规定频度，反复进行步骤202至步骤210的处理，直到使用者发出结束指令为止。

在步骤202中，通过异常程度计算部102，将在影像获取部100中获取的影像作为数字数据读入。

在步骤204中，通过异常程度计算部102，计算在步骤202中获取的影像的异常程度。

在步骤206中，通过异常判断部104，并利用在步骤204中算出的异常程度，判断是否发生了异常行为。

在步骤208中，对步骤206的判断结果进行评估，当判断为发生了异常行为时，执行步骤210。

在步骤210中，通过通报部112，将发生了异常行为这一情况通知给外部装置。

以下参照图3的框图，对图1的异常程度计算部102的内部结构进行详细说明。如上所述，异常程度计算部102将影像获取部100所获取的影像的异常程度作为纯量而算出，并将其输出到异常判断部104中。该异常程度计算部102由活动提取部300、特征量计算部302、特征量转换部304以及异常程度评估部308构成。以下依序说明。

活动提取部300从影像获取部100所获取的影像中提取产生了运动的部分。其目的是除去背景等与异常行为的判断无关的静止部分。在提取产生了运动的部分时，可以采用已知的影像处理方法(参照日本国发明专利特开2005-92346号公报等)。例如，可以采用只获取二个帧之间的差值的方法，或者采用在实施了边缘提取处理后获取帧之间差值的方法等。并且，为了除去照明变动等干扰的影响，可以在获得帧之间的差值后，以像素值取0或者取1的方式，增加实施二值化处理。

特征量计算部302计算由活动提取部300生成的影像的特征量。在计算时，使用已知的立体高次局部自相关特征(例如，参照日本国发明专利特开2005-92346号公报)。在该方法中，将由连续的三个帧的影像组成的体素数据(voxel data)的几何学特征作为251维的特征向量算出。有关该特征量的计算方法将在后述部分中说明。此外，在计算影像的特征量时，也可以使用光流(optical flow)计算法。所谓光流计算法是一种着眼于影像的微小区域，将帧之间的运动作为向量而算出的方法，例如在“数字图像处理”(CG-ARTS协会)这一著作的243页中有详细的论述。也可以将由光流计算法算出的向量的全部分量合成为特征量。并且，也可以将向量的平均/分散等的统计量作为特征量。

特征量转换部304使用转换矩阵306对特征量计算部302所算出的特征量向量进行线性转换。通过该转换，提取了特征量向量中所包含的异常行为的分量。其中，如果设由特征量计算部302算出的特征量向量为x，转换矩阵306为A，转换后的特征量向量为x’，则该转换可以用下述公式(1)表示。

x’＝Ax    (1)

转换矩阵306是通过主分量分析等的多变量解析求出的矩阵，其计算方法将在后述部分中说明。在将251维的高次局部自相关特征作为影像的特征量而使用时，转换矩阵306的大小为(252-n)×251(n＝1，2，…，251)。并且，经该矩阵线性转换的特征量成为252-n维的向量。

异常程度评估部308通过评估在特征量转换部304中算出的新的特征量向量与正常数据310之间的偏离度来计算异常程度。并且，计算结果被输出到异常判断部104。其中，正常数据310是正常行为的特征量的集合。具体的异常程度的计算方法将在后述部分说明。

以下参照图4的流程图，对图2的步骤204的异常程度计算处理进行详细说明。

在步骤400中，通过活动提取部300从由影像获取部100获取的影像中提取产生了运动的部分。

在步骤402中，通过特征量计算部302计算在步骤400中生成的影像的特征量。

在步骤404中，通过特征量转换部304对步骤402中算出的特征量向量进行线性转换，以生成新的特征量向量。

在步骤406中，通过异常程度评估部308对在步骤404中算出的新的特征量向量与正常数据310之间的偏离度进行评估，以计算异常程度。

以下参照图5至图7，对图4的步骤402所述的运动图像的特征量计算处理进行详细说明。

图5是上述立体高次局部自相关特征的输入数据的说明图。特征量的计算对象是运动图像，也就是时间序列上连续的帧(图像)。为了计算立体高次局部自相关特征，至少需要三幅帧。例如，在被给予了帧编号为n的帧500时，该帧以及位于该帧之前的帧502和帧504(分别与帧编号n-1和n-2相对应)这三幅帧成为特征量计算的对象。

在假设帧的分辨率为纵向h个像素，横向w个像素时，通过组合三幅帧，能够构成h×w×3的体素(立方体)。在立体高次局部自相关特征计算法中，通过针对该体素的全部元素，以依序移动的方式使用3×3×3的点阵结构506，来提取特征。

此外，在本实施中对将连续的三幅帧作为处理对象的情况作了说明，但也可以将任意的f幅帧作为处理对象。此时，以h×w×f的体素为处理对象，计算f幅帧的运动图像的平均特征量。

图6是计算立体高次局部自相关特征时使用的点阵结构的例示图。点阵结构用于计算体素的局部的相关特征，其由3×3×3的体素构成。

模式1是一种计数用的模式，其在对输入影像的体素数据内进行依序扫描时，对位于中心的体素600的像素为1时的数量进行计数。同样，模式2是用于对除了中心的体素604之外，体素602也为1时的数量进行计数的模式。

二值图像的立体高次局部自相关特征中存在251个点阵结构，通过对满足各个模式时的数量进行计数，能够将输入影像的特征作为251维的特征量向量提取出来。

以下参照图7的流程图，对图4的步骤402所述的运动图像的特征量计算处理进行详细说明。

在步骤700中，对特征量向量进行初始化。

在步骤702中，对作为处理对象的影像的所有体素，反复执行步骤704至步骤708的处理。即，如图5所示，针对处理对象的所有体素，使用点阵结构506依序进行扫描。

在步骤704中，针对图6所示的全部251种点阵结构，反复执行步骤706至步骤708的处理。

在步骤706中，判断与处理对象的点阵结构对应的像素是否全部为1。如果判断结果是肯定的，则执行步骤708。

在步骤708中，对与处理对象的点阵结构对应的特征量向量的分量只加1。

通过上述一系列的处理，能够算出立体高次局部自相关所涉及的251维的特征量向量。

以下参照图8的流程图，对图3的转换矩阵306的计算顺序进行说明。

在步骤800中，针对为了学习而预先存储在半导体存储器等的存储装置中的一个以上的正常场景的影像反复执行步骤400至步骤402的处理。

在步骤400中，如图4所示，通过活动提取部300从由影像获取部100生成的影像中提取产生了运动的部分。

在步骤402中，如图4所示，通过特征量计算部302计算在步骤400中生成的影像的特征量。

在步骤802中，针对计算出的对正常场景的特征量的集合，执行主分量分析。主分量分析是多变量解析方法中的一种。其通过根据若干个变量，以相互之间无关的方式生成被称为主分量的合成变量，能够归纳多个变量所具有的信息。该主分量分析是在多变量数据的解析中经常使用的方法，由于例如在“简单易懂的多变量解析”(东京图书出版)这一著作中有详细的说明，因此，在此省略其详细说明。通过对251维的特征量向量的集合执行主分量分析，能够求出251个主成分和特征值。

在步骤804中，根据步骤802中的主分量分析的结果，计算对正常行为的贡献率低的局部空间。转换矩阵306被设定为用于将特征量向量转换成该局部空间的向量的矩阵。

以下参照图9，对图8的步骤804所述的局部空间的计算处理进行详细说明。图9表示在步骤802所示的主分量分析中得到的各个主分量的累积贡献率。所谓累积贡献率是通过以从大到小的顺序对各个主分量的贡献率进行加算而得到的，其是一种指标，表示在此之前的主分量对分析对象的数据本来所具有的信息量作出的说明程度的大小。例如，如果到第3主分量为止的累积贡献率900为90％，则表示第1主分量至第3主分量已经表达了该数据本来的信息量的90％。另一方面，剩余的第4主分量至第251主分量所拥有的信息量则只占数据本来的信息量的10％。

从上述说明中可以看出，由第1主分量至第3主分量构成的局部空间对正常行为的贡献率大。而由第4主分量至第251主分量构成的局部空间对正常行为的贡献率小。

这样，通过以累积贡献率作为判断基准，可以求出对正常行为的贡献率小的局部空间。

以下参照图10，对图4的步骤406所述的异常程度的评估处理的方法进行说明。异常程度的评估在图9所示的对正常行为的贡献率小的局部空间中进行。这是因为，在该局部空间中，正常行为的特征量的分散小，而在正常行为以外的行为，即异常行为时，该分散会变大。

以下，将该局部空间假定为由第n主分量以下的主分量构成的空间。本来该布局空间应该是252-n维的局部空间，但为了便于说明，图10中以二个轴的形式表示了贡献率大的主分量，即第n主分量和第n+1主分量。特征量的集合1000是正常数据310的集合。在对正常行动的贡献率小的局部空间中，特征量以集合的重心xn1004为中心，分布在该中心的周围附近。因此，如果当前正在评估中的影像的特征量向量x1002在特征量的集合1000附近，则可判断其为正常，而如果相隔很远，则可判断其为异常。其中，两者之间的距离1006被作为异常程度。

可以采用计算成本低的欧氏距离计算法来计算特征量向量x1002与特征量的集合1000之间的距离。但在本实施例中，采用了对特征量集合的分散作出了考虑的马氏距离计算法。假设特征量的集合1000的方差协方差矩阵的反向矩阵为S^-1，则可以通过下述公式(2)算出马氏距离。

D²＝(x-x_n)^tS^-1(x-x_n)(2)

以下参照图11的流程图，对通过本实施例的异常行为探测装置计算判断阈值106时的处理流程进行说明。

在步骤1100中，通过异常程度计算部102，对所有的评估用场景反复执行步骤1102的处理。所谓评估用场景是正常场景和异常场景的影像库，该评估用场景上被赋予了本装置应该判断的结果。

在步骤1102中，通过判断阈值计算部110计算出处理对象的评估用场景的各个帧的异常程度中最大的，作为该场景的异常程度的代表值。

在步骤1104中，通过判断阈值计算部110，并根据在步骤1102中算出的各个场景的最大异常程度，生成后述的错误曲线。所谓错误曲线是表示误报率和未报率根据判断阈值如何变化的曲线，其中，误报率是将正常场景错误地判断为异常场景的比率，而未报率是将异常场景错误地判断为正常场景的比率。

在步骤1106中，根据在步骤1104中生成的错误曲线，决定适当的阈值。该决定方法在后述部分中详细说明。

以下参照图12，对图11的步骤1102所述的各个场景的最大异常程度的计算顺序进行详细说明。曲线图中的横轴表示帧编号，纵轴表示异常程度。该图表示对评估用场景进行依序评估时的各幅帧的异常程度的变化情况。曲线1200是对场景1的各幅帧的异常程度的评估结果。图中，异常程度的最大值为点1204，将该值作为场景1的最大异常程度。同样，曲线1202是对场景2的异常程度的评估结果，与点1206对应的异常程度作为场景2的最大异常程度。

以下参照图13和图14，对图11的步骤1104所述的错误曲线的计算步骤进行详细说明。

图13是表示在图11的步骤1102中算出的各个场景的最大异常程度的条形曲线图。在本实施例中，场景1至场景7为正常场景，而场景8至场景14为异常场景。从该图表可以知道，具有正常场景的最大异常程度小，而异常场景的最大异常程度大的倾向。

其中，作为异常和正常的判断基准，引进了判断阈值1300。当最大异常程度小于该判断阈值1300时，可以将该场景看作正常场景，而当最大异常程度在该判断阈值1300以上时，可以将该场景看作异常场景。

本装置的异常探测性能可以采用误报率和未报率进行评估。所谓误报率是指将正常场景错误地判断为异常场景的比率，该值越小越好。在图13的情况下，在正常的7个场景中，场景5的最大异常程度1302超过了判断阈值1300，作为异常其被错误地判断。此时，误报率为1/7＝14％。而未报率是指将异常场景错误地判断为正常场景的比率，该值越小越好。在图13的情况下，在异常的7个场景中，由于场景12的最大异常程度1304小于判断阈值1300，所以作为正常场景其被错误地判断。此时，未报率为1/7＝14％。

误报率和未报率随判断阈值的值而变化。其变化情况如图14所示。图中，曲线1400表示误报率，曲线1402表示未报率。从图中可以看出，误报率和未报率之间呈此消彼长的关系。即，如果设定较大的判断阈值以降低误报率，则未报率增大。相反，如果设定较小的判断阈值以降低未报率，则误报率增大。在图11的步骤1106中，根据该曲线图设定判断阈值106，以实现对本装置的使用者来说更为理想的探测性能。

作为判断阈值106的候补，例如有误报率和未报率相等的点1404，即相等错误率(Equal Error Rate，EER)。此时，将与相等错误率对应的判断阈值1406设定为判断阈值106。

此外，也可以将未报率为0时的判断阈值1408或者误报率为0时的判断阈值1410设定为判断阈值。

并且，由于这些判断阈值的选择条件因本装置的使用目的和使用条件而不同，所以，也可以设置成由本装置的使用者来选择。

此外，可以通过显示器等输出装置将图14的错误曲线向使用者提示。此时，也可以设置成能够通过鼠标或者键盘等输入装置在画面上选择判断阈值。

通过上述方法，具有可以提高设置自由度的效果。

通过上述的实施例，可以根据影像中的异常程度自动判断是否发生了异常。由此，在异常发生时，通过发出告警或者向保安人员通报，可以立即对该异常采取措施。并且，可以根据评估用的场景的评估结果，自动决定作为异常发生判断基准的判断阈值，从而获得最佳的判断阈值。因此，即使在异常判断的对象物发生了变更的情况下，也只需生成评估用的场景，便能够灵活地采取相应的措施。

在以上说明的实施例中，图9所示的对正常空间的贡献率较小的局部空间是根据预先设定的累积贡献率来决定的，但也可以不根据固定的累积贡献率来计算局部空间，而可以采用使探测精度成为最佳的方式来决定局部空间。

以下参照图15对上述局部空间的决定方法进行说明。图15中的EER曲线1500表示在由第n个主分量至第251个主分量构成的局部空间中计算异常程度时的EER值与n之间的关系。一般认为图14中所说明的EER越小，探测性能越高。因此，只需选择与EER曲线1500的最小值1502对应的主分量数n即可。

由此，能够采用使探测精度成为最佳方式来自动决定局部空间。因此，使用者不需花费精力，便能够实现最佳的探测性能。

图16是使用了本发明的异常行为探测装置的监视画面的例示图。本监视画面显示在内置有异常行为探测装置的个人电脑或者监视终端的显示装置上。本例示中的影像是由电梯轿厢内的摄像头拍摄的影像。

区域1600是显示当前正在处理的对象影像的显示区域。

区域1602是以时序形式将计算出的异常程度的变化情况作为趋向曲线1604逐一进行显示的区域。直线1606为判断阈值。

区域1608是异常判断结果的显示区域。区域1608能够将异常判断结果区分为正常和异常这两种状态进行显示，其根据对当前帧的判断结果108的内容，显示异常判断结果属于两种状态中的哪一种状态。

此外，也可以不区分为正常和异常这两个等级，而区分为三种以上的等级来显示异常程度。区域1608例示了以三个等级来显示异常程度的情况。例如，通过以蓝色表示正常，黄色表示轻度异常，红色表示重度异常，监视人员可以直观地掌握情况。

以下参照图17的流程图，对图16的区域1608所示的多个等级的异常判断处理进行详细说明。在此，计算从过去某个时间点到当前时间点为止的期间中被判断为异常的状态所占的时间比率，并根据该比率进行多个等级的判断。

在步骤1700中，计算从过去某个时间点到当前时间点为止的期间内被判断为异常的状态所占的比率p。

在步骤1702中，比较该占有率p是否小于预先指定的蓝色判断用的阈值pb。如果比较的结果为是，则执行步骤1704。如果比较结果是否，则执行步骤1706至步骤1710。

在步骤1704中，将判断结果决定为蓝色后结束处理。

在步骤1706中，比较占有率p是否小于预先指定的黄色判断用的阈值py。如果比较的结果为是，则执行步骤1708。如果比较结果是否，则执行步骤1710。

在步骤1708中，将判断结果决定为黄色后结束处理。

在步骤1710中，将判断结果决定为红色后结束处理。

在上述的处理中，对分三个等级来显示判断结果的情况作了说明，但也可以采用更多的等级来表示判断结果。此时，只需预先设定好各个等级的阈值即可。如此，通过以多个等级来表示判断结果，具有能够为监视者提供方便的监视方法的效果。

根据上述实施例，能够方便地掌握评估对象的影像内容与影像的异常程度之间的对应关系。因此，例如即使出现了误报，监视者也能够很容易地通过影像来迅速地确认是否真的发生了异常行为。

图18表示具有本发明所涉及的异常行为探测装置的电梯装置。其中，在图18中，省略了卷扬机、吊索以及平衡重等的驱动机构的图示。由设置在电梯轿厢40内的摄像头30获取电梯轿厢内的影像，并通过尾缆50将该影像信号传送到设置在升降通道内或者升降通道外的异常行为探测装置10。当在电梯轿厢40内的影像中探测到了异常时，异常行为探测装置10将表示异常的判断结果信号输出到设置在升降通道内或者机械室的电梯控制装置20。电梯控制装置20接受到表示异常的判断结果信号后，控制卷扬机以使电梯轿厢40停靠在最近的楼层上，同时控制电梯门驱动装置来打开电梯轿厢40以及电梯门厅的门。或者控制装置20使设置在电梯轿厢40内的报警器等警报装置动作。根据上述的电梯设备，可以使乘坐在同一个电梯轿厢内的人员迅速离开行为异常者，或者抑制电梯轿厢内的异常行为，从而能够提高电梯设备的安全性。另外，异常行为探测装置10也可以设置在电梯轿厢40内。此时，判断结果信号经由尾缆50传送给控制装置20。

Claims (7)

1.一种异常行为探测装置，具有：

影像获取部，其获取监视对象的影像；

异常程度计算部，其对所述影像获取部所获取的影像的异常程度进行计算；以及

异常判断部，其根据阈值，从所述异常程度计算部计算出的异常程度判断是否发生了异常行为，

所述异常行为探测装置的特征在于，所述异常程度计算部具有：

活动提取部，其从所述影像中提取产生了运动的部分；

特征量计算部，其计算由所述活动提取部生成的影像的251维的第一特征量；

特征量转换部，其以主分量分析的线性转换方式将所述第一特征量转换为由第n主分量至第251主分量构成的252-n维的局部空间上的第二特征量；以及

异常程度评估部，其将252-n维的所述第二特征量与相对于正常行为的252-n维的第三特征量进行比较而计算出异常程度，

所述特征量转换部，对所述第一特征量进行主分量分析在由第n主分量至第251主分量构成的局部空间中计算出异常程度时，选择误报率和未报率相等的相等错误率最小的n，并生成(252-n)×251大小的转换矩阵。

2.如权利要求1所述的异常行为探测装置，其特征在于，

所述特征量计算部采用立体高次局部自相关特征计算法计算所述第一特征量。

3.如权利要求1所述的异常行为探测装置，其特征在于，

所述异常程度评估部根据所述第二特征量和所述第三特征量的集合的重心之间的欧氏距离计算异常程度。

4.如权利要求1所述的异常行为探测装置，其特征在于，

所述异常程度评估部根据所述第二特征量和所述第三特征量的集合的马氏距离计算异常程度。

5.如权利要求1至4的任意一项所述的异常行为探测装置，其特征在于，

具有判断阈值计算部，该判断阈值计算部以能够获得最佳判断结果的方式对所述异常判断部在进行判断处理时所需的判断阈值进行设定。

6.如权利要求5所述的异常行为探测装置，其特征在于，

所述判断阈值计算部设定与误报率和未报率相等的相等错误率、0％的误报率以及0％的未报率中的任意一个对应的阈值。

7.如权利要求6所述的异常行为探测装置，其特征在于，

所述判断阈值计算部具有输入机构，该输入机构将表示判断阈值与误报率以及未报率之间的关系的错误曲线显示于显示装置，并在显示装置上选择判断阈值。

Images