CN103136763A - 用于检测视频序列异常段落的电子装置及其方法 - Google Patents

Abstract

一种用于检测视频序列异常段落的电子装置，包括：分割单元，用于将一数字信号的视频段落分割为多个子视频段落；特征信息提取单元，用于分别提取每一子视频段落中颜色变化特征、运动变化特征及背景信息变化特征；用于计算包括多个子视频段落的整个视频段落的每种变化特征的变化特征均值，进一步得出每种变化特征与该种变化特征均值的变化距离，并将该每种变化距离归一化；异常性度量模块，用于计算每一段视频段落中背景变化率并确定权重系数大小；最后计算子视频段落中的异常因子并判断异常因子大小，根据异常因子比较结果输出异常子视频段落。本发明还提供一种视频序列异常段落检测的方法。

Description

用于检测视频序列异常段落的电子装置及其方法

技术领域

本发明涉及一种视频分析技术，特别涉及一种用于检测视频序列异常段落的电子装置及其方法。

背景技术

随着计算机科学技术的不断发展，数字视频监控技术已经开始应用于很多公共场合。由于监控系统工作的连续性，所以会产生很多视频序列数据。视频序列中包含大量的视频帧，但并不是每个时间段内都包含我们感兴趣的事件。目前人们在视频监控段落中查找特定事件内容或奇异性信息是通过人工回放的方式检索。然而，这种检索的方式效率低下。奇异性是指在特定的应用背景中，某一段视频序列的内容在时空联合分布上和整个视频序列统计特征的明显不一致。

目前，怎样从视频序列中自动检测异常已逐渐成为视频监控技术的发展方向。目前视频异常自动检测技术中，通常的做法是先分别提取颜色变化特征和运动变化特征，然后将两种特征线性加权组合，最后经计算分析得出视频异常信息。但是，由于在实际检测过程中加权系数比较难以确定，很难在基于静态背景变化和动态背景变化的视频段落中应用上述自动检测视频异常的方法均达到较为理想的检测效果。

发明内容

鉴于此，有必要提供一种用于检测视频序列异常段落的电子装置及其方法，其能够基于动态和静态背景变化中均具有较好的检测效果。

一种视频序列异常段落检测的电子装置，包括：分割单元，用于将一视频段落分割为多个子视频段落，子视频段落中包括若干视频帧；特征信息提取单元，用于分别提取每一子视频段落中的颜色变化特征、运动变化特征及背景信息变化特征；及特征信息处理单元，用于根据每一子视频段落中颜色变化特征、运动变化特征及背景信息变化特征，分析处理得出异常的视频段落，该特征信息处理单元包括：距离度量模块，用于计算包括多个子视频段落的整个视频段落的每种变化特征的变化特征均值，进一步得出每种变化特征与该种变化特征均值的变化距离，并将该每种变化距离归一化；异常性度量模块，用于计算每一段视频段落中背景变化率，根据该背景变化率及一参考值确定权重系数大小，根据确定的权重系数以及多种变化距离进一步计算得出子视频段落中的异常因子，并判断每一子视频段落中异常因子大小；及输出模块，用于根据异常因子比较结果输出异常子视频段落。

一种视频序列异常段落检测的方法，包括：输入一视频段落；将该视频段落分割为多个子视频段落，每个子视频段落中包括若干个视频帧；提取每一子视频段落中颜色变化特征、运动变化特征及背景信息变化特征；计算包括多个子视频段落的整个视频段落的每种变化特征的变化特征均值，进一步得出每一子视频段落的每种变化特征与对应该种变化特征均值的变化距离，并将每种变化距离归一化；计算每一子视频段落中背景变化率；判断背景变化率与一参考值大小，进而确定权重系数和大小；根据确定的权重系数以及多种变化距离计算每一子视频段落中异常因子，并比较各个视频段落异常因子大小；及根据异常因子比较结果输出异常子视频段落。

该视频序列异常段落检测的电子装置中，通过将视频段落均等化分后提取颜色变化特征、运动变化特征及背景变化信息后进行耦合，来定义更为一般的异常因子，使得在动态背景时颜色信息对异常因子的贡献度较大，静态背景时运动信息对异常因子的贡献度较大，使得该电子装置可以适应于各种背景类型的视频段落异常检测。

附图说明

图1为一较佳实施方式视频序列异常段落检测电子装置的模块图。

图2为一较佳实施方式视频序列异常段落的方法流程图。

主要元件符号说明

电子装置    100

转换单元    10

分割单元    20

特征信息提取单元    30

背景信息提取模块    31

颜色信息提取模块    33

运动信息提取模块    35

特征信息处理单元    40

距离度量模块        41

异常性度量模块      43

背景变化率计算模块  431

异常因子计算模块    433

输出模块            435

方法                300

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

请参照图1，为一较佳实施方式中视频序列异常段落检测电子装置100的模块图。该电子装置100包括转换单元10、分割单元20、特征信息提取单元30及特征信息处理单元40。该电子装置100提取一段视频段落，并通过转换单元10将该视频段落转换为数字信号，以便于对该视频段落进一步进行数字信号处理。在其他实施方式中，该视频段落也可以直接是一种基于数字信号的视频段落，不必进行格式转换。该电子装置100可以从该视频段落中识别并提取异常信息。

该分割单元20对该视频段落按照等长的时间窗口划分或进行分割为多个子视频段落，每个子视频段落中包括有m个视频帧。本实施方式中，每个子视频段落中都包含一相对独立的事件，例如，某人出现并进入电梯的完整过程。本实施方式中，若一个分割后的子视频段落中包含多个独立的事件，可以对分割后的子视频段落进一步分割；若该分割后的子视频段落中未包含独立的事件，可以将此段落同相邻的子视频段落合并，以得到上述包含相对独立事件的视频段落。其他实施方式中，该视频段落也可以按照非等长的时间窗口分割为多个子视频段落。

本实施方式中，将由m个视频帧I_m组成的第n个子视频段v_n表示为：v_n＝{I_n1，I_n2，...，I_nm}。

该特征信息提取单元30用于分别提取每一子视频段落中的颜色变化特征、运动变化特征及背景信息变化特征。该特征信息提取单元30包括背景信息提取模块31、颜色信息提取模块33和运动信息提取模块35。

该背景信息提取模块31用于根据混合高斯模型提取该每一子视频段落中各视频帧的背景信息。

该颜色信息提取模块33用于提取该每一子视频段落中的颜色变化特征F_PM。本实施方式中，该子视频段落中每一帧的图像是以RGB颜色空间模式来进行存储的，其他实施方式中，视频段落的图像也可以采用HSV和Nrgb等颜色空间存储。一实施方式中，假设图像中的像素总数为M，第k种颜色分布h_k的像素总数为n_k，则h_k出现的频率为：h_k＝n_k/M(k＝0，1，2，...，255)。进一步地，根据累加直方图原理，如果从一段子视频中选取n帧，则这段子视频的直方图可以通过累加得到：

(k＝0，1，2，...，255)。本实施方式中RGB颜色空间一共有2563＝1.68*107种颜色，运算复杂度很高。一替代实施方式中，为了减少运算量，可预先将该彩色图像灰度化，然后基于该灰度化图像求直方图。最后，利用主成分分析法进一步求得每一子视频段的颜色变化特征F_PM。其中，主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。

该运动信息提取模块35用于提取每一子视频段落中运动特征，包括运动变化特征Avesum和段内运动变化率特征AllTwisum。本实施方式中，采用视频帧的差分信息来描述某一子视频段落中图像的变化和图像中背景的变化。那么，对于一子视频段落中两帧图像f_m和f_n进行差分运算，图像差分结果为：Δf(i，j)＝|f_m(i，j)-f_n(i，j)|，其中，在选取两帧图像f_m和f_n时，如果子视频段落中包括较少的视频帧图像时，可采用逐帧选取的方式选择；如果子视频段落中包括较多的视频帧图像时，可采用按照特定规律的方式选择。同样，对于图像f_m的背景b_m和图像f_n的背景b_n，背景差分结果为：Δb(i，j)＝|b_m(i，j)-b_n(i，j)|。其中，0≤i≤FR，0≤j≤FC(FR为图像行数，FC为图像列数)。图像差分结果表明两帧之间的变化程度，Δf(i，j)灰度值越高，两帧图像间的变化越大。相似地，背景差分结果显示了两帧图像的背景的变化程度，Δb(i，j)灰度值越高，背景变化越大。

然而，图像差分结果中常因存在噪声而引起结果发生变化，因此引入一阈值以减小该噪声存在影响图像差分结果。本实施方式中，以图像差分结果中大于一第一阈值的像素数Sum_i，j作为第i帧和第j帧之间的运动变化特征Avesum，以该子视频段内帧间变化超过一第二阈值的次数作为运动变化率特征AllTwisum，从而可以得出该子视频段中的运动特征。其中，该第一阈值和第二阈值可根据具体图像差分去噪的实验中具体设定，通常做法是：选取一段视频，先通过人工的方式分析得出视频段落中的运动特征；假设存在若干第一阈值和第二阈值，再通过自动检测的方式，分别依次从预设的若干第一阈值和第二阈值中选取数值进行多次实验，分析得出应用假设存在第一阈值和第二阈值的运动特征，并通过与人工方式分析得出视频段落中运动特征比较后得出最为接近一组实验，该组实验中所用用第一阈值和第二阈值即为图像差分去噪实验中的最佳设定值。

同样，基于背景信息提取模块31提取的子视频段落中每个视频帧的背景信息中，可以得到两桢图像的背景差分结果中大于第三阈值的像素总数，从而得到子视频段落中背景信息的总体变化特征Avesum_back。

综上，每一子视频段落中的特征变化信息，可以用特征矢量V_n表示为：

v_n＝[F_PM，Avesum，AllTwisum，Avesum_back]

该特征信息处理单元40包括距离度量模块41和异常性度量模块43。

该距离度量模块41用于计算包括多个子视频段落的整个视频段落的特征均值C，进一步得出每一子视频段落变化特征与该特征均值C的距离并将距离值归一化。本实施方式中，假设一整个视频段落被均等分割为D个子视频段落，那么整个视频段落的颜色变化特征的特征均值可以表示为：C＝∑F_PM/D；其中每个子视频段落的颜色变化特征与该颜色变化特征均值的距离可以表示为： $d_F(F_{\mathrm{PM}},C)={\left|\right|F_{\mathrm{PM}}-C\left|\right|}_2={\left[\underset{i}{\mathrm{\Σ}}{(F_{\mathrm{PM}}\left(i\right)-C\left(i\right))}^2\right]}^{1/2}.$ 最后将d_F归一化得到颜色变化距离D_F。

其他实施方式中，还可以进一步计算得到子视频段落中运动变化特征Avesum与运动变化特征均值C_a的运动变化距离D_Avesum；运动变化率特征AllTwisum与运动变化率特征均值C_b的运动变化率距离D_AllTwisum；及背景信息的总体变化特征Avesum_back与背景信息的总体变化特征均值C_c的背景变化距离D_{Avesum_back}。

该异常性度量模块43用于计算每一子视频段落中的异常因子，并通过比较所有子视频段落的异常因子大小，判断输出异常因子最大的子视频段落。该异常性度量模块43进一步包括背景变化率计算模块431、异常因子计算模块433及输出模块435。

背景变化率计算模块431用于计算每一子视频段落中的背景变化率和确定异常因子权重系数。本实施方式中，定义该背景变化率

且 ${\mathrm{\&alpha;}}_{i1}=\left\{\begin{array}{cc}\mathrm{\&lambda;}\&times;{\mathrm{\&alpha;}}_{i1}& \mathrm{if\&lambda;}<{\mathrm{\&tau;}}^{\&prime;}\\ (1-\mathrm{\&lambda;})\&times;{\mathrm{\&alpha;}}_{i2}& \mathrm{if\&lambda;}\&GreaterEqual;{\mathrm{\&tau;}}^{\&prime;}\end{array}\right.,$ 其中，α_i1，α_i2是权重系数。那么，根据前述该子视频段落中计算得出的背景变化距离D_{Avesum_back}和运动变化距离D_Avesum得出该段子视频段落中背景变化率λ，然后判断λ与一参考值τ′的大小，进一步计算得出权重系数α_i1。其中，参考值τ′的选取与该第一阈值和第二阈值的选取方式类似，优选地，参考值τ′可以选取0.1≤τ′≤0.2中任一数值。

该异常因子计算模块433用于计算每一子视频段落中异常因子的大小。每一子视频段落中异常因子可以表示为：F_i＝α_i1DF+α_i2(D_Avesum+D_AllTwisum)，根据前述权重系数α_i1和α_i2计算得出子视频段落中的异常因子。例如，如果λ＜τ′，则F_i＝α_i1D_F+(1-λ)×α_i2(D_Avesum+D_AllTwisum)；如果λ≥τ′，则F_i＝λ×α_i1D_F+α_i2(D_Avesum+D_AllTwisum)。最后根据计算得出的每一子视频段落中异常因子，综合比较判断后，通过输出模块435根据异常因子比较结果输出异常子视频段落，该异常子视频段落，可以是异常因子最大的子视频段落，也可以是异常因子较大的几个子视频段落，且如果是相邻的多个异常因子较大子视频段落，将通过输出模块435将其合并输出。其中，异常因子较大的几个子视频段落可以认为是各子视频段落计算所得异常因子由大到小依次排列后，根据需求选取包含有按照从大到小的顺序选取的几个异常因子所对应的几个子视频段落。

本实施方式中，视频异常自动检测分析过程中，被分割的子视频段落背景如果是动态的，则采用颜色变化特征来反映异常信息；如果子视频段落的背景是静态的，则采用运动变化特征来反映视频段落中异常信息的效果较好。

本发明的一较佳实施方式中，使用背景的变化信息作为参考，将颜色变化距离D_F，背景变化距离D_{Avesum_back}，及运动变化距离D_Avesum通过背景信息进行耦合，来定义更为一般的异常因子，使得在动态背景时颜色变化距离D_F对异常因子的贡献度较大，静态背景时运动变化距离D_Avesum对异常因子的贡献度较大，使得该电子装置100可以适应于各种背景类型的视频段落异常信息检测。

请同时参照图2，为一较佳实施方式的视频序列异常段落检测的方法流程图300。该方法300应用于电子装置100中，具体包括以下步骤：

步骤S301，输入一段视频，并通过转换单元10将该视频由视频信号转换为数字信号。在其他实施方式中，该视频段落也可以直接是一种基于数字信号的视频段落，不必进行格式转换。

步骤S302，将该视频段落分割为多个子视频段落，每个子视频段落中包括若干个视频帧。本实施方式中，视频段落按照等长的时间窗口分割为多个子视频段落。另，每个子视频段落中包含一相对独立的的事件，例如，某人出现并进入电梯的完整过程。在其他实施方式中，若该分割后的子视频段落中包含多个或未包含一相对独立的事件，可以将分割后的段落进一步分割或者合并，以得到上述包含相对独立事件的多个子视频段落。其他实施方式中，该视频段落也可以按照非等长的时间窗口分割为多个子视频段落。

本实施方式中，将由m个视频帧I_m组成的第n个子视频段v_n表示为：v_n＝{I_n1，I_n2，...，I_nm}。

步骤S303，提取该每一子视频段落中的颜色变化特征F_PM。本实施方式中，该子视频段落中每一帧的图像是以RGB颜色空间模式来进行存储的，其他实施方式中，视频段落的图像也可以采用HSV和Nrgb等颜色空间存储。一实施方式中，假设图像中的像素总数为M，第k种颜色分布h_k的像素总数为n_k，则h_k出现的频率为：h_k＝n_k/M(k＝0，1，2，...，255)。进一步地，根据累加直方图原理，如果从一段子视频中选取n帧，则这段子视频的直方图可以通过累加得到：

(k＝0，1，2，...，255)。本实施方式中RGB颜色空间一共有2563＝1.68*107种颜色，运算复杂度很高。一替代实施方式中，为了减少运算量，可预先将该彩色图像灰度化，然后基于该灰度化图像求直方图。最后，利用主成分分析法进一步求得每一子视频段的颜色变化特征F_PM。

步骤S304，提取每一子视频段落中运动特征，包括运动变化特征Avesum和段内运动变化率特征AllTwisum。本实施方式中，采用视频帧的差分信息来描述某一子视频段落中图像的变化和图像中背景的变化。那么，对于一子视频段落中两帧图像f_m和f_n进行差分运算，图像差分结果为：Δf(i，j)＝|f_m(i，j)-f_n(i，j)|；同样，对于图像f_m的背景b_m和图像f_n的背景b_n，背景差分结果为：Δb(i，j)＝|b_m(i，j)-b_n(i，j)|。其中，0≤i≤FR，0≤j≤FC(FR为图像行数，FC为图像列数)。图像差分结果表明两帧之间的变化程度，Δf(i，j)灰度值越高，两帧图像间的变化越大。相似地，背景差分结果显示了两帧图像的背景的变化程度，Δb(i，j)灰度值越高，背景变化越大。

然而，图像差分结果中常因存在噪声而引起结果发生变化，因此引入阈值以减小该噪声存在影响图像差分结果。本实施方式中，以图像差分结果中大于一第一阈值的像素数Sum_i，j作为第i帧和第j帧之间的运动变化特征Avesum，以该子视频段内帧间变化超过一第二阈值的次数作为运动变化率特征AllTwisum，从而可以得出该子视频段中的运动特征。其中，该第一阈值和第二阈值可根据具体图像差分去噪的实验中具体设定，具体做法前面已经介绍，这里不再赘述。

步骤S305，根据混合高斯模型提取每一子视频段落中各视频帧的背景信息，并利用差分图像计算得出子视频段落中背景信息的总体变化特征Avesum_back。利用混合高斯模型提取视频段落中各视频帧背景信息的过程为现有技术，这里不再赘述。在提取子视频段落中各视频帧背景信息后，基于步骤S304的差分原理，可以得到两桢图像的背景差值图像中大于阈值的像素总数，从而得到子视频段落中背景信息的总体变化特征Avesum_back。

那么，每一子视频段落中的特征变化信息，可以用特征矢量表示为：

v_n＝[F_PM，Avesum，AllTwisum，Avesum_back]

步骤S306，计算包括多个子视频段落的整个视频段落的变化特征均值C，进一步得出每一子视频段落变化特征与该变化特征均值C的距离并将距离值归一化。本实施方式中，假设一整个视频段落被均等分割为D个子视频段落，那么整个视频段落的颜色变化特征的特征均值可以表示为：C＝∑F_PM/D；其中每个子视频段落的颜色变化特征与该颜色变化特征均值的距离可以表示为： $d_F(F_{\mathrm{PM}},C)={\left|\right|F_{\mathrm{PM}}-C\left|\right|}_2={\left[\underset{i}{\mathrm{\&Sigma;}}{(F_{\mathrm{PM}}\left(i\right)-C\left(i\right))}^2\right]}^{1/2}.$ 最后将d_F归一化得到颜色变化距离D_F。

替代实施方式中，还可以进一步计算得到子视频段落中运动变化特征Avesum与运动变化特征均值C_a的运动变化距离D_Avesum；运动变化率特征AllTwisum与运动变化率特征均值C_b的运动变化率距离D_AllTwisum；及背景信息的总体变化特征Avesum_back与背景信息的总体变化特征均值C_c的背景变化距离D_{Avesum_back}。

步骤S307，计算每一子视频段落中背景变化率λ。本实施方式中，定义该背景变化率

根据归一化背景变化距离D_{Avesum_back}和运动变化距离D_Avesum可以计算得到子视频段落中背景变化率λ。进一步，每一子视频段落中异常因子可以表示为：F_i＝α_i1D_F+α_i2(D_Avesum+D_AllTwisum)，其中，α_i1和α_i2是权重系数，且它们在算法计算过程中始终满足归一化条件：α_i1+α_i2＝1。

步骤S308，判断背景变化率λ与一参考值τ′大小，进而确定权重系数α_i1和α_i2大小。本实施方式中，背景变化率λ、参考值τ′和权重系数α_i1和α_i2的关系表示为： ${\mathrm{\&alpha;}}_{i1}=\left\{\begin{array}{cc}\mathrm{\&lambda;}\&times;{\mathrm{\&alpha;}}_{i1}& \mathrm{if\&lambda;}<{\mathrm{\&tau;}}^{\&prime;}\\ (1-\mathrm{\&lambda;})\&times;{\mathrm{\&alpha;}}_{i2}& \mathrm{if\&lambda;}\&GreaterEqual;{\mathrm{\&tau;}}^{\&prime;}\end{array}\right.,$ 则通过判断λ与τ′的大小关系，可以确定权重系数α_i1和α_i2，其中，参考值τ′可以选取0.1≤τ′≤0.2中任一数值。

步骤S309，计算每一子视频段落中异常因子，并比较各个视频段落异常因子大小。根据异常因子F_i＝α_i1D_F+α_i2(D_Avesum+D_AllTwisum)可知：

如果λ＜τ′，则F_i＝α_i1D_F+(1-λ)×α_i2(D_Avesum+D_AllTwisum)；

如果λ≥τ，F_i＝λ×α_i1D_F+α_i2(D_Avesum+D_AllTwisum)。

步骤S310，根据异常因子比较结果输出异常子视频段落。该异常子视频段落，可以是异常因子最大的子视频段落，也可以是异常因子较大的几个子视频段落，且如果是相邻的多个异常因子较大子视频段落，将多个异常因子较大子视频段落合并输出。其中，异常因子较大的几个子视频段落可以认为是各子视频段落计算所得异常因子由大到小依次排列后，根据需求选取包含有按照从大到小的顺序选取的几个异常因子所对应的几个子视频段落。

Claims (20)

1.一种视频序列异常段落检测的电子装置，包括：

分割单元，用于将一视频段落分割为多个子视频段落，子视频段落中包括若干视频帧；

特征信息提取单元，用于分别提取每一子视频段落中的颜色变化特征、运动变化特征及背景信息变化特征；及

特征信息处理单元，用于根据每一子视频段落中颜色变化特征、运动变化特征及背景信息变化特征，分析处理得出异常的视频段落，该特征信息处理单元包括：

距离度量模块，用于计算包括多个子视频段落的整个视频段落的每种变化特征的变化特征均值，进一步得出每种变化特征与该种变化特征均值的变化距离，并将该每种变化距离归一化；

异常性度量模块，用于计算每一段视频段落中背景变化率，根据该背景变化率及一参考值确定权重系数大小，根据确定的权重系数以及多种变化距离进一步计算得出子视频段落中的异常因子，并判断每一子视频段落中异常因子大小；及

输出模块，用于根据异常因子比较结果输出异常子视频段落。

2.如权利要求1所述的电子装置，其特征在于，该特征信息提取单元包括：

颜色信息提取模块，用于提取该每一子视频段落中的颜色变化特征F_PM；

运动信息提取模块，用于根据图像差分运算提取每一子视频段落中运动变化特征Avesum和段内运动变化率特征AllTwisum；

背景信息提取模块，用于根据混合高斯模型提取该每一子视频段落中各视频帧的背景信息，并通过图像差分运算得出每一子视频段落中背景信息的总体变化特征Avesum_back。

3.如权利要求2所述的电子装置，其特征在于，每一子视频段落中的特征变化信息，用特征矢量表示为：v_n＝[F_PM，Avesum，AllTwisum，Avesum_back]。

4.如权利要求3所述的电子装置，其特征在于，该视频段落被均等分割为D个子视频段落，则整个视频段落的颜色变化特征的特征均值表示为：C＝∑F_PM/D；其中每个子视频段落的颜色变化特征与颜色变化特征均值的距离表示为： $d_F(F_{\mathrm{PM}},C)={\left|\right|F_{\mathrm{PM}}-C\left|\right|}_2={\left[\underset{i}{\mathrm{\&Sigma;}}{(F_{\mathrm{PM}}\left(i\right)-C\left(i\right))}^2\right]}^{1/2},$ 将d_F归一化后得到颜色变化距离D_F；同样，通过归一化后的子视频段落运动变化特征与运动变化特征均值计算得到运动变化距离D_Avesum；通过运动变化率特征AllTwisum与运动变化率特征均值计算得到运动变化率距离D_AllTwisum；及通过背景信息的总体变化特征Avesum back与背景信息的总体变化特征均值计算得到背景变化距离D_{Avesum_back}。

5.如权利要求4所述的电子装置，其特征在于，该异常性度量模块包括背景变化率计算模块和异常因子计算模块，该背景变化率计算模块用于计算每一子视频段落中背景变化率，并根据该背景变化率确定权重系数，定义该背景变化率为

且权重系数α_i1和α_i2与背景变化率λ、参考值τ′的关系为 ${\mathrm{\&alpha;}}_{i1}=\left\{\begin{array}{cc}\mathrm{\&lambda;}\&times;{\mathrm{\&alpha;}}_{i1}& \mathrm{if\&lambda;}<{\mathrm{\&tau;}}^{\&prime;}\\ (1-\mathrm{\&lambda;})\&times;{\mathrm{\&alpha;}}_{i2}& \mathrm{if\&lambda;}\&GreaterEqual;{\mathrm{\&tau;}}^{\&prime;}\end{array}\right..$

6.如权利要求5所述的电子装置，其特征在于，该异常因子计算模块用于计算每一子视频段落中异常因子的大小，每一子视频段落中异常因子表示为：F_i＝α_i1D_F+α_i2(D_Avesum+D_AllTwisum)，那么，

如果λ＜τ′，则F_i＝α_i1D_F+(1-λ)×α_i2(D_Avesum+D_AllTwisum)；

如果λ≥τ′，则F_i＝λ×α_i1D_F+α_i2(D_Avesum+D_AllTwisum)。

7.如权利要求6所述的电子装置，其特征在于，参考值τ′取值范围为0.1≤τ′≤0.2。

8.如权利要求1所述的电子装置，其特征在于，该分割单元用于将该视频段落按照等长的时间窗口划分为多个子视频段落。

9.如权利要求1所述的电子装置，其特征在于，该电子装置还包括一转换单元，用于将一基于视频信号的视频段落转换为数字信号的视频段落。

10.如权利要求1所述的电子装置，其特征在于，该输出的异常子视频段落为异常因子最大的子视频段落或异常因子较大的几个子视频段落，且如果是相邻的多个异常因子较大子视频段落，将多个异常因子较大子视频段落合并输出。

11.一种视频序列异常段落检测的方法，包括：

输入一视频段落；

将该视频段落分割为多个子视频段落，每个子视频段落中包括若干个视频帧；

提取每一子视频段落中颜色变化特征、运动变化特征及背景信息变化特征；

计算包括多个子视频段落的整个视频段落的每种变化特征的变化特征均值，进一步得出每一子视频段落的每种变化特征与对应该种变化特征均值的变化距离，并将每种变化距离归一化；

计算每一子视频段落中背景变化率；

判断背景变化率与一参考值大小，进而确定权重系数和大小；

根据确定的权重系数以及多种变化距离计算每一子视频段落中异常因子，并比较各个视频段落异常因子大小；及

根据异常因子比较结果输出异常子视频段落。

12.如权利要求11所述的视频序列异常段落检测的方法，其特征在于，该方法步骤还包括：

提取该每一子视频段落中的颜色变化特征F_PM；

提取每一子视频段落中运动特征，包括运动变化特征Avesum和运动变化率特征AllTwisum；及

根据混合高斯模型提取每一子视频段落中各视频帧的背景信息，并利用差分图像计算得出子视频段落中背景信息的总体变化特征Avesum_back。

13.如权利要求12所述的视频序列异常段落检测的方法，其特征在于，每一子视频段落中的特征变化信息，用特征矢量表示为：

v_n＝[F_PM，Avesum，AllTwisum，Avesum_back]。

14.如权利要求13所述的视频序列异常段落检测的方法，其特征在于，该视频段落被均等分割为D个子视频段落，那么整个视频段落的颜色变化特征的特征均值表示为：C＝∑F_PM/D；其中每个子视频段落的颜色变化特征与该特征均值的距离表示为： $d_F(F_{\mathrm{PM}},C)={\left|\right|F_{\mathrm{PM}}-C\left|\right|}_2={\left[\underset{i}{\mathrm{\&Sigma;}}{(F_{\mathrm{PM}}\left(i\right)-C\left(i\right))}^2\right]}^{1/2},$ 将d_F归一化后得到颜色变化距离D_F；同样，通过子视频段落运动变化特征与运动变化特征均值计算得到运动变化距离D_Avesum；通过运动变化率特征AllTwisum与帧间运动变化率特征均值计算得到运动变化率距离D_AllTwisum；及通过背景信息的总体变化特征Avesum_back与背景信息的总体变化特征均值计算得到背景变化距离D_{Avesum_back}。

15.如权利要求14所述的视频序列异常段落检测的方法，其特征在于，定义该背景变化率为

且权重系数α_i1和α_i2与背景变化率λ、参考值τ′的关系为 ${\mathrm{\&alpha;}}_{i1}=\left\{\begin{array}{cc}\mathrm{\&lambda;}\&times;{\mathrm{\&alpha;}}_{i1}& \mathrm{if\&lambda;}<{\mathrm{\&tau;}}^{\&prime;}\\ (1-\mathrm{\&lambda;})\&times;{\mathrm{\&alpha;}}_{i2}& \mathrm{if\&lambda;}\&GreaterEqual;{\mathrm{\&tau;}}^{\&prime;}\end{array}\right..$

16.如权利要求15所述的视频序列异常段落检测的方法，其特征在于，每一子视频段落中异常因子表示为：F_i＝α_i1D_F+α_i2(D_Avesum+D_AllTwisum)，那么，

如果λ＜τ′，则F_i＝α_i1D_F+(1-λ)×α_i2(D_Avesum+D_AllTwisum)；

如果λ≥τ′，则F_i＝λ×α_i1D_F+α_i2(D_Avesum+D_AllTwisum)。

17.如权利要求16所述的视频序列异常段落检测的方法，其特征在于，参考值τ′取值范围为0.1≤τ′≤0.2。

18.如权利要求11所述的视频序列异常段落检测的方法，其特征在于，该视频段落按照等长的时间窗口划分为多个子视频段落。

19.如权利要求11所述的视频序列异常段落检测的方法，其特征在于，该方法还包括将一视频段落由视频信号转换为数字信号。

20.如权利要求11所述的视频序列异常段落检测的方法，其特征在于，该输出的异常子视频段落为异常因子最大的子视频段落或异常因子较大的几个子视频段落，且如果是相邻的多个异常因子较大子视频段落，将多个异常因子较大子视频段落合并输出。

Images