CN101872418B - 基于群体环境异常行为的检测方法 - Google Patents

Abstract

该发明属于计算机运动图像识别及监测技术领域中的群体环境异常行为检测方法，包括检测模型建立中的划分视频单元子序列，特征提取及样本数据库的建立，建立Multi-HMM模型；异常行为检测中的从当前监控场景的视频序列中提取各观察值序列，确定观察值序列对应的最佳隐马尔可夫链，异常行为判决及警告。该发明由于从整体角度、在频域上随时间变化准确而快速地提取视频序列的动态变化特征，并根据所建模型自动、实时地检测群体环境下的异常行为，其准确率可达90％左右；因而具有对当前监控场景的行为特征提取准确、快速，可广泛用于对群体环境下发生的异常行为进行检测，且检测的效率、准确性及可靠性高等特点。

Description

基于群体环境异常行为的检测方法

技术领域

本发明属于计算机运动图像的模式识别及监控处理技术领域，特别是一种采用高频时空特征的特征提取、Multi-HMM(多链隐马尔可夫模型)异常行为检测等方法，对群体环境中异常行为进行检测的方法。

背景技术

群体环境下的监控场景通常包含行人比较多，若监控场景中发生异常事件，比如打架、群殴、骚乱等，不仅危害公共财产安全和人身安全，而且可能将问题激化，对社会和谐发展带来负面影响。因此，对群体异常事件的检测与人身安全息息相关，事关社会的健康和谐发展。目前对异常行为检测方法主要专注于对视频监控场景中个人异常行为的分析，如在办公环境的监控中，快速奔跑、跳跃等异常行为；在仓库监控环境中，物品丢失、物品遗留等异常行为。而群体环境下的异常行为分析研究目前仍然是一个新的领域。由于群体性事件可能产生严重的社会影响，因此对群体环境下异常行为的检测具有非常高的社会价值。在监控场景中的运动行为通常表现为多种状态，如何多方面、多角度描述场景中的运动行为是异常行为检测方法的一个关键。

现有技术主要将运动目标轮廓、运动轨迹或者运动速度大小和方向等作为运动特征，根据制定的方法(学习规则)，通过采集信息的不断输入、特征的反复提取(学习)建立异常检测的模型，并以此来判断异常事件的发生与否。其主要思想是利用视频中运动目标的局部特征，通常采用隐马尔可夫模型作为检测模型，对特定类型的正常行为建立一条隐马尔可夫链。这些特征提取方法虽然有效地利用了视频的局部特征，但却忽略了视频的动态信息、运动目标的变化规律，其异常检测的模型及建模方法也不适合用于对群体环境的异常检测。

在公开号为CN 101464952A、发明名称为《基于轮廓的异常行为识别方法》的专利文献中公开了一种采取形态学滤波和连通量分析方法提取目标轮廓，并对其进行差分阈值化处理，即首先采用运动目标检测与跟踪方法处理摄像头采集到的图像序列，提取目标轮廓；接着利用R变换表达每一帧中运动轮廓的空间信息；再对空间信息重新排列组合，作为行为分析的特征向量，利用主成分分析对其进行特征降维；最后利用隐马尔可夫模型参数表示行为特征序列、并存入数据库中作为此后现场监控中判断异常行为的依据；在识别过程中，再按照上述方法对现场实时采集到的图像信息进行轮廓提取、R变换处理、利用隐马尔可夫模型参数表示行为特征序列，然后将其与存储的参数进行比较，按照最大似然原则选择最匹配的行为，作为最后的识别结果。该方法虽然可以有效减弱和消除由于光照变化以及前景、背景颜色相近带来的干扰，但在运动行人比较多的监控场景中，如商场出口、十字路口等，行人之间经常出现互相遮挡的情况，该方法并不能从视频图像中得到完整的运动目标轮廓，其检测效率将会明显降低。

在公开号为CN 101271527A、发明名称为《一种基于运动场局部统计特征分析的异常行为检测方法》的专利文献中公开了一种基于运动场局部特征统计分析的异常行为检测方法；即在图像分析与特征提取时，首先根据人体运动区域检测结果划分图像局部区域，通过计算光流获得局部运动的描述，然后利用全局特征分析方法获得人体运动全局特征。该现有技术在进行样本训练时，对特征提取阶段得到的整体特征，通过大量的正常和异常运动数据进行机器学习，建立人体运动特征的SVR(支持向量回归)模型；而在异常行为检测阶段，首先进行图像特征提取，通过贝叶斯的方法判断属于某一类行为的概率，选取概率最大的行为类型作为识别结果。该方法采用光流法提取局部运动特征，但是光流法容易受到光照影响，在像素非常接近的区域，通常检测不到较准确的光流。因而该方法存在易发生误判、可靠性差，以及系统的可扩展性低等缺陷。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种基于群体环境异常行为的检测方法，以用于检测群体环境下发生的斗殴、聚众闹事、慌乱逃散等异常行为，从整体角度刻画视频序列在频域上随时间变化的动态特征，达到提高对群体环境中的异常行为检测的可靠性、准确性和实时性，有效提高检测效率等目的。

本发明的解决方案是针对群体环境下场景的复杂性，采用高频时间和空间信息特征的提取及描述方法，从整体角度刻画视频序列在频域上随时间变化的动态特征，并利用统计学的处理方法描述变换的结果；在异常行为检测阶段采用Multi-HMM(多链隐马尔可夫模型)异常检测方法来判断场景中的异常行为；最后通过选择与监控场景最匹配的隐马尔可夫模型，有效检测出群体环境下的异常行为，从而实现其目的。因而，本发明方法包括：

A.划分视频单元子序列：

A₁.划分视频序列：以一定数量的视频帧(灰度图像)为一组，并对同一组视频帧按时序将各帧视频重叠组成一个视频序列(即由各帧视频重叠组成的空间-时间立方体)；

A₂.划分视频单元序列：将步骤A₁所得同一视频序列中的视频图像随机分成若干个矩形像素区域、每一区域作为一个视频单元；相同视频单元在各帧视频中所处的位置相同、各(帧中)相同位置的视频单元即重叠组成视频序列中的各视频单元序列；

A₃.划分视频单元子序列：将步骤A₂所得视频单元序列、顺序列方向分成长(厚)度相等的一组视频单元子序列；

B.特征提取及样本数据库的建立：

B₁.获取视频单元子序列截面灰度图：将由步骤A所得任一个视频单元子序列、沿其序列方向并垂直于视频单元的一边，以像素点为距离单位等距离截割、得一组截面，各截面上任一条与序列方向平行的平行线即为对应视频单元截线(即视频单元与截面的交线)上相同位置象素点的轨迹；同一截面上各象素点轨迹的灰度值即构成该截面上的灰度图；

B₂.小波变换处理：对由步骤B₁所得视频单元子序列中各截面上的灰度图分别进行小波变换处理以分离高、低频带图像，得到对应截面上的一个近似分量低频子图像及水平分量、垂直分量和对角线分量三个高频子图像；

B₃.获取视频单元子序列截面高频图：将步骤B₂所得同一截面上的近似分量低频子图像作丢弃处理；再将其余的水平分量、垂直分量和对角线分量三个高频子图像依次连接成一体、得到该截面上的高频图；其余各截面上的子图像亦按相同方式处理、得该视频单元子序列各截面上的高频图；

B₄.获取视频单元子序列高频合成图：依次将步骤B₃所得各截面上的高频图按时序进行对应叠合处理，得到该视频单元子序列的高频合成图；

B₅.获取视频单元子序列观察值：统计步骤B₄所得高频合成图中各像素值的均值和方差，并将该均值和方差组成的二维向量作为该视频单元子序列的观察值；

B₆.获取视频单元序列的观察值序列：按照步骤B₁～B₅的方法对该单元序列中的其余各子序列进行循环处理、得各子序列的观察值，再根据时序排列组成该视频单元序列的观察值序列；

B₇.获取视频序列的观察值序列：按照步骤B₁～B₆的方法对该视频序列中的其余视频单元序列进行循环处理；所得各视频单元序列的观察值序列、组成对应于该视频序列的一组观察值序列，并作存储处理；

B₈.建立样本数据库：反复进行步骤B₁～B₇操作，所得各组视频序列的观察值序列、分类存储以建立样本数据库，用于继后的隐马尔可夫模型的参数训练；

C.建立Multi-HMM模型

C₁.确定各种状态下观察值的概率分布函数：从步骤B所建立样本数据库中提取各视频单元子序列的观察值，并采用K均值(K-means)聚类处理方法聚类出所设定的各种隐状态，每个状态由混合高斯函数逼近，通过期望最大化处理方法分别确定每个状态下观察值的概率分布函数；

C₂.Multi-HMM模型参数初始化：对每条隐马尔可夫链的初始状态概率矢量和状态转移矩阵按常规方法进行初始化处理；其初始化后的各参数分别用作建模过程中相应迭代处理时的初始参数值；

C₃.Multi-HMM模型参数训练：从步骤B₈所建立样本数据库中提取分类存储的各类观察值序列，并采用常规方法分别对每条隐马尔可夫链进行参数训练，以建立异常行为综合检测的Multi-HMM模型(数据库)；

D.异常行为的检测

D₁.从当前监控场景的视频序列中提取各观察值序列：采用步骤A和步骤B₁～B₇相同的方法对当前监测场景的视频序列进行划分及特征提取，并提取出该视频序列中全部观察值序列；

D₂.确定观察值序列对应的最佳隐马尔可夫链：从步骤D₁所得全部观察值序列中任选一条观察值序列、作为待测参数，通过检测模型(数据库)中的每条隐马尔可夫链分别检测其发生的概率，并从中选出概率最大值所对应的隐马尔可夫链，作为该观察值序列对应的最佳隐马尔可夫链；

D₃.检测是否发生异常：

D_3-1.疑似异常行为的判断：将该组观察值序列中的所有观察值序列依次作为待测参数，利用步骤D₂所确定的最佳隐马尔可夫链检测其发生的概率值、并对其进行取对数操作，然后将其结果与设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若小于所设定的阈值时，则返回步骤D₂将该条观察值序列作为待测参数、重新选择一条最佳的隐马尔可夫链，再对该观察值序列进行概率值检测、取对数并与所设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若仍小于所设定的阈值时、则判定该条观察值序列所对应视频单元的场景发生疑似异常行为；

D_3-1.异常行为判决及警告：按步骤D_3-1的方法将该视频序列中全部观察值序列处理完毕；然后统计所有疑似异常的观察值序列数，并将其与观察值序列的总数进行比较，若所占比例≥50％时、则判断当前监控场景发生了异常行为，并发出警告；同时继续进行继后的场景监控；

在步骤C₃中所述采用常规方法，为同时采用前向算法、后向算法和Baum-welch处理方法分别对每条隐马尔可夫链进行参数训练。

本发明在检测模型的建立上：通过设置视频序列，并将其进一步划分为视频单元序列、视频单元子序列，然后再将视频单元子序列沿其序列方向、以像素点为距离单位等距离截割而得到一组截面，并对各截面上的灰度图分别进行小波变换处理以分离高、低频带图像，进而获取高频合成图、视频单元子序列观察值、视频序列的观察值序列，最后建立用于多条隐马尔可夫模型参数训练的样本数据库：在异常行为检测方面：通过与建模过程相同的方法对当前监控场景的视频序列进行划分并得到该视频序列中的全部观察值序列；再根据所建立的Multi-HMM模型对当前场景进行判断，以监测其是否发生异常行为。本发明从整体角度、在频域上随时间变化准确而快速地提取视频序列的动态变化特征，并根据所建模型自动、实时地检测群体环境下的异常行为，其准确率可达90％左右；因而具有对当前监控场景的行为特征提取准确、快速，可广泛用于对群体环境下发生的异常行为进行检测，且检测的效率、准确性及可靠性高等特点。

附图说明

图1为本发时方法总体流程意示图，包括检测模型的建立和异常行为检测两部分。

具体实施方式

本发明方法所采用的软硬件配置为：Intel双核CPU、2G内存的计算机，Windows XP操作系统，OpenCV开源计算机视觉库；Microsoft Visual C++开发环境；监控摄像头的最低分辨率为320×240；

本实施方式以针对学校广场环境进行视频监测为例，视频采集在相同环境下进行，按25帧/秒的视频采集速度读取每帧视频图像，并将每帧视频图像转换成灰度图。

A划分视频单元子序列的具体步骤为：

A₁.划分视频序列：每200帧视频灰度图像作为一段(组)，按时序重叠组成一个视频序列；

A₂.划分视频单元序列：将步骤A₁所得同一视频序列中的视频图像随机分成100个大小为30×30像素单位的正方形区域、每一区域作为一个视频单元；再将各帧中相同位置的视频单元按时序重叠组成视频序列中的一个视频单元序列，每个视频单元序列的大小即为横截面30×30像素单位、长(厚)为200个视频帧厚度单位的立方体；

A₃.划分视频单元子序列：将步骤A₂所得视频单元序列、沿序列(长度)方向分成厚度为20帧的视频单元子序列，每个视频单元子序列横截面为30×30像素单位、厚度为20个视频帧厚的立方体；

B.特征提取及样本数据库的建立：

B₁.获取视频单元子序列截面灰度图：将视频单元子序列沿序列方向、且垂直于视频单元水平线、以单个像素点为距离单位等距离截割成30个每个截面为30像素单位×20帧厚的截面P₁，P₂，...，P₃₀；

B₂.小波变换处理：对由步骤B₁所得视频单元子序列中各截面上的灰度图分别进行小波变换处理，得到4个四分之一原图大小的子图像：近似分量子图像、水平分量子图像、垂直分量子图像、对角线分量子图像；其中，近似分量子图像是低频图像，水平分量、垂直分量和对角线分量子图像均为高频图像；

B₃.获取视频单元子序列截面高频图：将步骤B₂所得同一截面的近似分量低频子图像丢弃处理，然后将三个高频子图像：水平分量子图像、垂直分量子图像、对角线分量子图像依次连接成一体，构成大小为15像素单位(高)×30帧厚度单位(长)的高频图；其余各截面上的子图像亦按相同方式处理，得到该视频单元子序列各截面上的高频图；

B₄.获取视频单元子序列高频合成图：依次将步骤B₃所得各截面上的高频图按时序进行对应叠合处理，得到该视频单元子序列的高频合成图，大小为15像素单位(高)×30帧厚度单位(长)×30像素单位(厚)；

B₅.获取视频单元子序列观察值：统计步骤B₄所得高频合成图中像素值的均值和方差，并将该均值和方差组成的二维向量作为该视频单元子序列的观察值o_i；

B₆.获取视频单元序列的观察值序列：按照步骤B₁～B₅的方法对该视频单元序列中的其余各子序列进行循环处理，得各子序列的观察值，并按各子序列的时序排列组成视频单元序列的观察值序列O＝o₁，o₂，...，o₁₀；

B₇.获取视频序列的观察值序列：按照步骤B₁～B₆的方法对该视频序列中的其余视频单元序列进行循环处理；所得各视频单元序列的观察值序列、并将其组成对应于该视频序列的一组观察值序列后，作存储处理；

B₈.建立样本数据库：反复进行步骤B₁～B₇操作，所得各组视频序列的观察值序列、分类存储以建立样本数据库，用于继后的隐马尔可夫模型的参数训练；

本实施方式采用5条隐马尔可夫链刻画监控场景中人群的运动(行为)状态，分别为当前监控场景中极少数人运动、运动行人由多变少、运动行人由少变多、持续的拥挤人流、持续的稀疏人流五类运动(行为)状态；为了便于验证本发明方法的准确率，本实施方式将斗殴及群体性快跑、骚乱等运动(行为)状态均视为异常行为；HMM模型可以记为λ＝(N，π，A，B)；其中，N为模型中隐含状态的数目、各隐含状态分别记作S₁，S₂，...，S_N；π为初始状态概率矢量、π＝(π₁，π₂，...，π_N)，π_i＝P(q₁＝S_i)，1≤i≤N，其中π_i≥0，

用于描述观察值序列在初始t＝1时刻状态为S_i的概率；A是与时间无关的状态转移概率矩阵，A＝(a_ij)_N×N、a_ij＝p(q_t+1＝S_j|q_t＝S_i)，1≤i，j≤N且

用来描述从t时刻的状态i转变为t+1时刻的状态j的概率；B是在给定状态下，观察值在观察空间Θ的概率分布函数。在每个状态下，观察值的分布由混合高斯函数逼近，混合高斯参数为γ、μ、∑，其中γ为各个高斯函数的权值，μ、∑为高斯函数的均值和方差；

C.建立Multi-HMM模型：

C₁.确定各种状态下观察值的概率分布函数：从步骤B所建立样本数据库中提取各视频单元子序列的观察值，并采用K均值聚类处理方法聚类出5种隐状态，每个状态由3个高斯函数逼近，通过期望最大化处理方法分别确定每个状态下观察值的概率分布函数，其参数为混合高斯权值γ_jm、高斯函数的均值μ_jm和方差∑_jm；给定观察空间Θ的某个观察值，在S_j状态下发生的概率就由下式决定：

$b_j\left(o_i\right)=\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{jm}}N(o_i;{\mathrm{\μ}}_{\mathrm{jm}},{\mathrm{\Σ}}_{\mathrm{jm}}),o_i\∈\mathrm{\Θ},j=\mathrm{1,2},...,5---\left(1\right)$

其中，γ_jm是混合高斯参数，μ_jm和∑_jm是高斯函数的均值和方差；

C₂.Multi-HMM模型参数初始化：对每条隐马尔可夫链的初始状态概率矢量和状态转移矩阵按如下步骤进行初始化处理，分别初始化5条隐马尔可夫链的参数；初始化后的各参数分别用作建模过程中相应迭代处理时的初始参数值；

C_2-1.确定观察值序列对应的状态序列：对步骤B所建立的样本数据库中的描述该类正常行为场景状态的M个观察值序列，先用下式(2)确定出M个观察值序列所对应的状态序列S＝S_l…S_j，

$l=\arg \underset{1\≤l\≤5}{\max }\left[b_l\left(o_i\right)\right],i=\mathrm{1,2},...,10---\left(2\right)$

其中l是状态的编号，b_l(o_i)可由(1)式决定。

C_2-2.统计状态序列的相关信息：统计M个状态序列中，每个状态作为起始状态的次数和各状态之间发生转移的次数；始状态概率矢量π＝(π₁，π₂，...，π_N)中，π_i由下式得到：

${\mathrm{\π}}_i=\frac{{\mathrm{\κ}}_i}{M},i=\mathrm{1,2},...,5---\left(3\right)$

其中κ_i是状态i作为起始状态的次数。状态转移矩阵A＝(a_ij)_N×N中a_ij由下式得到：

$a_{\mathrm{ij}}=\frac{{\mathrm{\β}}_{\mathrm{ij}}}{\underset{s=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\β}}_{\mathrm{is}}},i,j=\mathrm{1,2},...,5---\left(4\right)$

其中β_ij是由状态i转移到状态j的次数。

C₃.Multi-HMM模型参数训练：从步骤B所建立样本数据库中提取分类存储的各类观察值序列，并采用前向算法、后向算法和Baum-welch算法处理方法分别对每条隐马尔可夫链进行参数训练，以建立异常行为综合检测的Multi-HMM模型；

D.异常行为的检测：

D₁.从当前监控场景的视频序列中提取各观察值序列：采用步骤A和步骤B₁～B₇相同的方法对当前监测场景的视频序列进行划分及特征提取，并提取出该视频序列中100条观察值序列；

D₂.确定观察值序列对应的最佳隐马尔可夫链：从步骤D₁所得的100条观察值序列中、任选一条观察值序列作为待测参数，通过检测模型中的每条隐马尔可夫链分别检测其发生的概率，并从中选出概率最大值所对应的隐马尔可夫链，作为该观察值序列对应的最佳隐马尔可夫链；

D₃.检测是否发生异常：

D_3-1.疑似异常行为的判断：将该组观察值序列中的100条观察值序列依次作为待测参数，利用步骤D₂所确定的最佳隐马尔可夫链检测其发生的概率值、并对其进行取对数操作，然后将其结果与本实施方式设定的阈值-530进行比较，若其结果大于和等于所设定的阈值-530时、则对下一条观察值序列进行检测，若小于所设定的阈值-530时，则返回步骤D₂将该条观察值序列作为待测参数、重新选择一条最佳的隐马尔可夫链再对该观察值序列进行概率值检测、取对数并与所设定的阈值-530进行比较，若其结果大于和等于所设定的阈值-530时、则对下一条观察值序列进行检测，若仍小于所设定的阈值-530时、则判定该条观察值序列所对应视频单元场景发生疑似异常行为；

D_3-1.异常行为判决及警告：按步骤D_3-1的方法将该视频序列中100条观察值序列处理完毕；然后统计所有疑似异常的观察值序列数，并将其与观察值序列的总数进行比较，若所占比例≥50％时、则判断当前监控场景发生了异常行为，并发出警告；该段视频序列的100条观察值序列中，有17条观察值序列在Multi-HMM模型下发生概率值的对数小于所设定阈值-530，其发生疑似异常行为观察值序列数所占比例为17/100(17％)＜50％，因此判断该段视频序列中没有异常行为发生，同时继续进行继后的场景监控；

在继后的按上述方法对其余20段(组)视频序列进行的检测中，其中13段视频序列的每组观察值序列小于阈值的条数分别为：18、24、21、30、41、33、23、15、35、28、30、40、31；所对应的场景为正常；同时在被判定为发生了异常行为的7段视频监测序列中，每组观察值序列小于阈值的条数分别为：51、71、50、66、88、55、69；但据现场实际核实其中与51条、55条所对应的2段视频监测序列为误判(即实际应为正常)；本实施方式准确率达到90.5％。

Claims (1)

1.一种基于群体环境异常行为的检测方法，包括：

A.划分视频单元子序列：

A₁.划分视频序列：以一定数量的视频帧为一组，并对同一组视频帧按时序将各帧视频重叠组成一个视频序列；

A₂.划分视频单元序列：将步骤A₁所得同一视频序列中的视频图像随机分成若干个矩形像素区域、每一区域作为一个视频单元；相同视频单元在各帧视频中所处的位置相同、各相同位置的视频单元即重叠组成视频序列中的各视频单元序列；

A₃.划分视频单元子序列：将步骤A₂所得视频单元序列、顺序列方向分成长度相等的一组视频单元子序列；

B.特征提取及样本数据库的建立：

B₁.获取视频单元子序列截面灰度图：将由步骤A所得任一个视频单元子序列、沿其序列方向并垂直于视频单元的一边，以像素点为距离单位等距离截割、得一组截面，各截面上任一条与序列方向平行的平行线即为对应视频单元截线上相同位置象素点的轨迹；同一截面上各象素点轨迹的灰度值即构成该截面上的灰度图；

B₂.小波变换处理：对由步骤B₁所得视频单元子序列中各截面上的灰度图分别进行小波变换处理以分离高、低频带图像，得到对应截面上的一个近似分量低频子图像及水平分量、垂直分量和对角线分量三个高频子图像；

B₃.获取视频单元子序列截面高频图：将步骤B₂所得同一截面上的近似分量低频子图像作丢弃处理；再将其余的水平分量、垂直分量和对角线分量三个高频子图像依次连接成一体、得到该截面上的高频图；其余各截面上的子图像亦按相同方式处理、得该视频单元子序列各截面上的高频图；

B₄.获取视频单元子序列高频合成图：依次将步骤B₃所得各截面上的高频图按时序进行对应叠合处理，得到该视频单元子序列的高频合成图；

B₅.获取视频单元子序列观察值：统计步骤B₄所得高频合成图中各像素值的均值和方差，并将该均值和方差组成的二维向量作为该视频单元子序列的观察值；

B₆.获取视频单元序列的观察值序列：按照步骤B₁～B₅的方法对该单元序列中的其余各子序列进行循环处理、得各子序列的观察值，再根据时序排列组成该视频单元序列的观察值序列；

B₇.获取视频序列的观察值序列：按照步骤B₁～B₆的方法对该视频序列中的其余视频单元序列进行循环处理；所得各视频单元序列的观察值序列、组成对应于该视频序列的一组观察值序列，并作存储处理；

B₈.建立样本数据库：反复进行步骤B₁～B₇操作，所得各组视频序列的观察值序列、分类存储以建立样本数据库，用于继后的隐马尔可夫模型的参数训练；

C.建立Multi-HMM模型

C₁.确定各种状态下观察值的概率分布函数：从步骤B所建立样本数据库中提取各视频单元子序列的观察值，并采用K均值聚类处理方法聚类出所设定的各种隐状态，每个状态由混合高斯函数逼近，通过期望最大化处理方法分别确定每个状态下观察值的概率分布函数；

C₂.Multi-HMM模型参数初始化：对每条隐马尔可夫链的初始状态概率矢量和状态转移矩阵按常规方法进行初始化处理；其初始化后的各参数分别用作建模过程中相应迭代处理时的初始参数值；

C₃.Multi-HMM模型参数训练：从步骤B8所建立样本数据库中提取分类存储的各类观察值序列，并同时采用前向算法、后向算法和Baum-welch处理方法对每条隐马尔可夫链进行参数训练，以建立异常行为综合检测的Multi-HMM模型；

D.异常行为的检测

D₁.从当前监控场景的视频序列中提取各观察值序列：采用步骤A和步骤B₁～B₇相同的方法对当前监测场景的视频序列进行划分及特征提取，并提取出该视频序列中全部观察值序列；

D₂.确定观察值序列对应的最佳隐马尔可夫链：从步骤D₁所得全部观察值序列中任选一条观察值序列、作为待测参数，通过检测模型中的每条隐马尔可夫链分别检测其发生的概率，并从中选出概率最大值所对应的隐马尔可夫链，作为该观察值序列对应的最佳隐马尔可夫链；

D₃.检测是否发生异常：

D_3-1.疑似异常行为的判断：将该组观察值序列中的所有观察值序列依次作为待测参数，利用步骤D₂所确定的最佳隐马尔可夫链检测其发生的概率值、并对其进行取对数操作，然后将其结果与设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若小于所设定的阈值时，则返回步骤D₂将该条观察值序列作为待测参数、重新选择一条最佳的隐马尔可夫链，再对该观察值序列进行概率值检测、取对数并与所设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若仍小于所设定的阈值时、则判定该条观察值序列所对应视频单元的场景发生疑似异常行为；

D_3-2.异常行为判决及警告：按步骤D_3-1的方法将该视频序列中全部观察值序列处理完毕；然后统计所有疑似异常的观察值序列数，并将其与观察值序列的总数进行比较，若所占比例≥50％时、则判断当前监控场景发生了异常行为，并发出警告；同时继续进行继后的场景监控。

Images