CN104123544A - 基于视频分析的异常行为检测方法及系统 - Google Patents

Abstract

本发明提供一种基于视频分析的异常行为检测方法及系统。其中方法包括以下步骤：从视频帧中提取行人前景图像；对视频帧进行网格划分，划分为多个网格区域，并设定行人前景图像所在的网格区域为运动区域；采用最近邻法对运动区域进行标记，将相邻的视频帧的运动区域进行关联；计算已标记的运动区域内的光流特征；根据光流特征得到加权方向直方图；计算加权方向直方图的熵；采用混合高斯模型选取检测阈值，根据检测阈值和加权方向直方图的熵检测是否有异常行为发生，并更新检测阈值。其能实时自动地检测出视频场景中的异常行为，避免异常行为扰乱公共场所秩序，危害公共安全及人身安全，减少人员工作量，避免因漏检和误检带来的安全隐患。

Description

基于视频分析的异常行为检测方法及系统

技术领域

本发明涉及行为识别领域，特别是涉及一种基于视频分析的异常行为检测方法及系统。

背景技术

目前大多数视频监控系统还处于传统模式，即“只记录不判断”，因此只能通过事后的视频回放来调查异常情况及取证，存在无法实时判断异常行为及报警的缺点，且需要工作人员不间断地监视场景内的活动，日夜值守，工作量繁重，易受人体感官疲劳影响从而出现漏检和误检的情况，失去了监控系统进行现场实时监控的意义。另一方面，随着监控系统规模的扩大，视频数量海量增大，从中获取有用的信息或者情报越来越难，查找效率低，难以满足监控系统的需求。

发明内容

针对传统视频监控系统无法实时判断异常行为及报警的问题，本发明提供了一种可以实时检测出异常行为发生的基于视频分析的异常行为检测方法及系统。

为达到发明目的，本发明提供一种基于视频分析的异常行为检测方法，包括以下步骤：

从视频帧中提取行人前景图像；

对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

计算已标记的所述运动区域内的光流特征；

根据所述光流特征得到加权方向直方图；

计算所述加权方向直方图的熵；

采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

作为一种可实施例，所述从视频帧中提取行人前景图像，包括如下步骤：

从视频帧中提取运动前景图像；

根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

作为一种可实施例，所述采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联，包括如下步骤：

计算所述运动区域的零阶矩和一阶矩；

根据所述零阶矩和所述一阶矩计算得到所述运动区域的区域中心；

根据所述区域中心计算马氏距离；

将相邻的所述视频帧的所述马氏距离最短的所述运动区域进行关联。

作为一种可实施例，所述采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值，包括以下步骤：

判断所述加权方向直方图的熵是否大于所述检测阈值；

若是，则判断有异常行为发生；

若否，则判断无异常行为发生；

将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布；

将所述新的高斯分布替换所述混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据所述新的混合高斯模型得到新的所述检测阈值。

作为一种可实施例，采用L-K光流算法计算所述运动区域内的光流特征。

本发明还提供一种基于视频分析的异常行为检测系统，包括前景提取模块，区域划分模块，区域标记模块，光流特征计算模块，加权方向直方图模块，熵计算模块和阈值选取更新模块，其中：

所述前景提取模块，用于从视频帧中提取行人前景图像；

所述区域划分模块，用于对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

所述区域标记模块，用于采用最近邻法对运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

所述光流特征计算模块，用于计算已标记的所述运动区域内的光流特征；

所述加权方向直方图模块，用于根据所述光流特征得到加权方向直方图；

所述熵计算模块，用于计算所述加权方向直方图的熵；

所述阈值选取更新模块，用于采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

作为一种可实施例，所述前景提取模块包括提取单元和过滤单元，其中：

所述提取单元，用于从视频帧中提取运动前景图像；

所述过滤单元，用于根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

作为一种可实施例，所述区域标记模块包括第一计算单元，第二计算单元，第三计算单元和关联单元，其中：

所述第一计算单元，用于计算所述运动区域的零阶矩和一阶矩；

所述第二计算单元，用于根据所述零阶矩和所述一阶矩计算得到所述运动区域的区域中心；

所述第三计算单元，用于根据所述区域中心计算马氏距离；

所述关联单元，用于将相邻的所述视频帧的所述马氏距离最短的所述运动区域相应的进行关联。

作为一种可实施例，所述阈值选取更新模块包括判断单元，高斯分布单元和更新单元，其中：

所述判断单元，用于判断所述加权方向直方图的熵是否大于所述检测阈值；若是，则判断有异常行为发生；若否，则判断无异常行为发生；

所述高斯分布单元，用于将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布；

所述更新单元，用于将所述新的高斯分布替换所述混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据所述新的混合高斯模型得到新的所述检测阈值。

作为一种可实施例，采用L-K光流算法计算所述运动区域内的光流特征。

本发明的有益效果包括：

本发明的基于视频分析的异常行为检测方法及系统，首先从视频帧中提取行人前景图像，采用预设滤波阈值的方法可将小面积的运动前景图像剔除，较完整地提取行人前景图像，接着对视频帧进行网格划分，网格区域划分使检测阈值随着行人前景图像位置的不同自适应调整，相当于对不同位置进行了归一化，达到检测阈值的位置无关性，网格区域划分后，采用最近邻法对运动区域进行标记，区域标记的目的是使相邻视频帧相应的运动区域进行关联，在同一视频帧中区分不同的运动区域以便进一步分析，运动区域标记后计算光流特征，并根据光流特征生成具有光流幅值特征和光流方向特征的加权方向直方图，计算加权方向直方图的熵，熵越大，运动区域内光流特征加权方向越混乱且有多个主要运动趋势(判断为有异常行为发生)，采用混合高斯模型选取检测阈值，检测是否有异常行为发生，并形成新的混合高斯模型更新学习检测阈值，实现检测阈值选取的完全自动化。该方法能够实时检测出视频场景中的异常行为，及时报警给相关人员，避免异常行为扰乱公共场所秩序，危害公共安全及人身安全，同时监控系统自动地检测异常行为，减少人员工作量，避免因漏检和误检带来的安全隐患，提高查找有用信息的效率，满足人们对监控系统的需求。

附图说明

图1为本发明的基于视频分析的异常行为检测方法的一实施例的流程示意图；

图2为本发明的基于视频分析的异常行为检测方法的另一实施例的流程示意图；

图3为本发明的基于视频分析的异常行为检测方法的又一实施例的流程示意图；

图4为本发明的基于视频分析的异常行为检测方法的再一实施例的流程示意图；

图5为本发明的基于视频分析的异常行为检测方法的一实施例的的示意图；

图6为本发明的基于视频分析的异常行为检测系统的一实施例的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明基于视频分析的异常行为检测方法及系统进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参见图1所示，本发明实施例提供一种基于视频分析的异常行为检测方法，包括以下步骤：

S100，从视频帧中提取行人前景图像。

S200，对视频帧进行网格划分，划分为多个网格区域，并设定行人前景图像所在的网格区域为运动区域。

S300，采用最近邻法对运动区域进行标记，将相邻的视频帧的运动区域进行关联。

S400，计算已标记的运动区域内的光流特征。

S500，根据光流特征得到加权方向直方图。

S600，计算加权方向直方图的熵。

S700，采用混合高斯模型选取检测阈值，根据检测阈值和加权方向直方图的熵检测是否有异常行为发生，并更新检测阈值。

本发明的基于视频分析的异常行为检测方法，首先从视频帧中提取行人前景图像，该方法主要研究行人行为是否异常，提取行人前景图像后才能进行后续的视频分析，对视频的每个视频帧进行网格划分，划分为多个网格区域，网格区域划分如图5所示，每个网格区域记录的重心落在该网格区域内的行人前景图像的光流特征对应的加权方向直方图的熵上，实现了检测阈值的位置无关性，采用最近邻法对运动区域进行标记(运动区域为行人前景图像所在的网格区域)，将相邻的视频帧对应的运动区域进行关联，实现运动区域的跟踪，相邻视频帧的运动区域相关联，根据跟踪的相邻视频帧的运动区域，可计算出运动区域内的光流特征，根据光流特征生成加权方向直方图，光流特征包括幅值特征和方向特征，加权方向直方图是在方向直方图的基础上加入了幅值特征对方向特征的影响，抑制了由噪声造成的小范围的方向混乱，更好地反映了光流特征的分布情况，其中幅值特征大的方向的权重也较大，计算运动区域内加权方向直方图的熵，熵可用来描述运动区域内光流特征加权方向的混乱程度，混乱程度越大，对应运动区域内的熵也越大，最后采用混合高斯模型完全自动的选取检测阈值，根据检测阈值判断行人行为是否异常，并不断学习更新检测阈值。该方法通过对连续的图像序列或视频流进行图像处理和视频分析，从而实现实时检测出视频场景中的异常行为，将异常行为的告警信息传送给相关人员做相应的处理，避免异常行为扰乱公共场所秩序，对公共安全带来挑战；同时该方法能够自动检测异常行为，减少了人员工作量，避免因漏检和误检带来安全隐患，提高查找有用信息的效率，满足人们对监控系统的需求。

其中，值得说明的是，对视频帧进行网格划分，相当于对不同窗口的特征值进行了一定的归一化。由于监控装置(如相机、摄像机等)架设的角度不同(一般为俯视)，视频帧的运动对象常常具有投影关系，使得近邻监控装置的运动对象尺度较大，远离监控装置的运动对象显得较小。在计算光流特征时，当运动前景图像靠近监控装置时，产生的光流特征值较大，导致正常行为判断为异常行为。且对于同一视频场景设置一个全局的检测阈值是不合理的，该检测阈值应该随着不同的图像位置自适应的进行调整，视频帧的网格划分实现了检测阈值的位置无关性。

作为一种可实施方式，参见图2所示，步骤S100包括如下步骤：

S110，从视频帧中提取运动前景图像。

S120，根据预设滤波阈值将小面积的运动前景图像过滤掉，得到行人前景图像。

采用VIBE(Visual Background Extractor，像素级视频背景建模或前景检测算法)提取视频帧中的运动前景图像，运动前景图像包括行人前景图像和其他运动的前景图像，采用VIBE算法，计算量非常小且内存占用少。根据监控装置(如相机、摄像机等)的焦距，安装位置以及拍摄角度等因素人工设定预设滤波阈值T，从视频帧中提取的运动前景图像包括N个运动前景块，判断每个运动前景块是否大于等于预设滤波阈值T，若大于等于，就将该运动前景块保留下来，若小于预设滤波阈值T，就将该运动前景块过滤掉，得到只包括行人的行人前景图像。该方法能够将不是行人前景图像的运动前景图像剔除掉，较完整地提取出行人前景图像，避免其他环境因素影响检测效果。

作为一种可实施方式，参见图3所示，步骤S300包括如下步骤：

S310，计算运动区域的零阶矩和一阶矩。

S320，根据零阶矩和一阶矩计算得到运动区域的区域中心。

S330，根据区域中心计算马氏(Mahalanobis，马哈拉诺比斯)距离。

S340，将相邻的视频帧的马氏距离最短的运动区域相应的进行关联。

该方法是采用最近邻法将相邻视频帧的相应的运动区域进行关联，便于后续步骤计算光流特征。其具体的实现步骤如下所述：设运动区域所在的网格区域的四个顶点坐标为(x₁，y₁),(x₁，y₂)，(x₂，y₁)和(x₂，y₂)，计算运动区域的零阶矩M₀₀＝∑_x∑_yI(x,y)，计算运动区域的一阶矩M₁₀＝∑_x∑_yxI(x,y)，M₀₁＝∑_x∑_yyI(x,y)，根据零阶矩和一阶矩计算运动区域的区域中心R＝(x_c，y_c)，其中x_c＝M₁₀/M₀₀，y_c＝M₀₁/M₀₀，假设视频序列的第i个视频帧有P个运动区域，每个运动区域的区域中心Rⁱ _p＝(xⁱ _cp，yⁱ _cp),第i-1个视频帧有Q个运动区域，每个运动区域的区域中心为R_q ^i-1＝(x^i-1 _cq，y^i-1 _cq)，其中c＝1，2，…，m，根据最近邻原则可得：其中p＝1，2，…，P，q＝1，2，…，Q，将第i视频帧的第p个运动区域与它上一视频帧(第i-1视频帧)中马氏距离最短的运动区域相关联，实现运动区域标记，运动区域标记还区分不同的运动区域以便进一步分析。其中马氏距离表示数据的协方差距离，它可以有效计算两个未知样本集的相似度。

作为一种可实施方式，参见图4所示，步骤S700还包括以下步骤：

S710，判断加权方向直方图的熵是否大于检测阈值；若是，则判断有异常行为发生；若否，则判断无异常行为发生。

S720，将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布。

S730，将新的高斯分布替换混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据新的混合高斯模型得到新的检测阈值。

混合高斯模型选取当前的检测阈值，根据加权方向直方图的熵和检测阈值的大小判断是否有异常行为的发生，进而实现监控视频自动地检测异常行为，满足人们对监控系统的需求。

设运动区域A的加权方向直方图的模型为H(A)＝{h_j(A)}，j＝1，2，…s，其中s为加权方向直方图区间的个数，其中，B为运动区域A内光流特征的个数，为第i个光流特征方向的权值，a(F_i)表示光流特征F_i对应加权方向直方图区间，j为方向区间，δ为克罗内克(Kronecker delta)函数，C_norm为归一化参数，反映了在该光流特征方向上运动趋势的大小，加权方向直方图加入了幅值特征对方向特征的影响，抑制了由噪声造成的小范围的方向混乱，更好地反映的光流特征的分布情况。计算加权方向直方图的熵E_H越大表示运动区域内光流特征的方向越混乱且光流特征方向有多个主要运动趋势。混合高斯模型选取检测阈值，判断计算的加权方向直方图的熵是否大于检测阈值(即光流特征的加权方向直方图的熵在混合高斯模型中每个高斯分布的置信区间的区域外)，若是则判断出现异常行为，否则判断为正常行为，且混合高斯模型还可以自动更新学习检测阈值，不断地检测视频场景中的异常行为。每次检测完是否有异常行为后，将加权方向直方图的熵作为新的高斯分布的均值，选取混合高斯模型中所有高斯分布的标准差最大的值作为新的高斯分布的标准差，得到新的高斯分布，该高斯分布取代混合高斯模型中权重最小的高斯分布，得到新的混合高斯模型，新的混合高斯模型选取新的检测阈值，从而实现检测阈值选取的完全自动化，并不断的学习更新。

作为一种可实施方式，采用L-K(Lucas-Kanade)光流算法计算运动区域内的光流特征。

光流特征具有很好的时空特征，包含了像素点的瞬时运动速度矢量信息，但存在计算量大，易受环境影响(如光照、微风或抖动都会带来很大的干扰)的缺点，先提取视频帧中行人前景图像，在对行人前景图像所在的运行区域进行标记，只计算已标记的运动区域内的光流特征，可以加快计算光流特征的速度，且去除了环境对光流特征的影响。设m×m特征窗口的光流特征为(u，v)，u代表极坐标上光流特征的幅值，v代表极坐标上光流特征的方向，采用L-K(Lucas-Kanade)光流算法计算光流特征，满足光流特征约束条件I_xu+I_yv+I_t＝0，即：

$\left[\begin{array}{cc}{I_x}_1& {I_y}_1\\ {I_x}_2& {I_y}_2\\ .& .\\ .& .\\ .& .\\ {I_x}_n& {I_y}_n\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]=-\left[\begin{array}{c}{I_t}_1\\ {I_t}_2\\ .\\ .\\ .\\ {I_t}_n\end{array}\right]$

其中：n为特征窗口内像素个数(n＝m²)，I_x，I_y为行人前景图像的空间梯度，I_t为行人前景图像的时间梯度，通过求解得到光流特征：

$\left[\begin{array}{c}u\\ v\end{array}\right]={\left[\begin{array}{cc}\mathrm{\Σ}{I^2}_{x_i}& \mathrm{\Σ}{I_x}_i{I_y}_i\\ \mathrm{\Σ}{I_x}_i& \mathrm{\Σ}{I^2}_{y_i}\end{array}\right]}^{-1}\left[\begin{array}{c}-\mathrm{\Σ}{I_x}_i{I_t}_i\\ -\mathrm{\Σ}{I_y}_i{I_t}_i\end{array}\right]$

光流特征的计算复杂度为O(ηN/m²)，其中η为行人前景图像占整个图像的比率，N为图像像素点的总个数，m²为特征窗口的大小。一般情况下，行人前景图像的运动区域不超当前视频帧面积的40％，大大减少了运算量。

基于同一发明构思，本发明还提供了一种基于视频分析的异常行为检测系统，由于此系统解决问题的原理与前述一种基于视频分析的异常行为检测方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供的基于视频分析的异常行为检测系统，参见图6所示，包括前景提取模块100，区域划分模块200，区域标记模块300，光流特征计算模块400，加权方向直方图模块500，熵计算模块600和阈值选取更新模块700。其中：前景提取模块100，用于从视频帧中提取行人前景图像。区域划分模块200，用于对视频帧进行网格划分，划分为多个网格区域，并设定行人前景图像的网格区域为运动区域。区域标记模块300，用于采用最近邻法对运动区域进行标记，将相邻的视频帧的运动区域进行关联。光流特征计算模块400，用于计算已标记的运动区域内的光流特征。加权方向直方图模块500，用于根据光流特征得到加权方向直方图。熵计算模块600，用于计算加权方向直方图的熵。阈值选取更新模块700，用于采用混合高斯模型选取检测阈值，根据检测阈值和加权方向直方图的熵检测是否有异常行为发生，并更新检测阈值。

本发明的基于视频分析的异常行为检测系统，较完整地提取行人前景图像，有效避免其他环境因素影响检测效果，对每个视频帧进行网格划分，使不同的区域对应不同的检测阈值，达到检测阈值的位置无关性，对行人前景图像所在的网各区域进行标记，将相邻视频帧的运动区域关联起来，便于后续进行分析，根据标记的运动区域计算光流特征，并生成光流特征的加权方向直方图，加权方向直方图可有效表示光流特征的幅值特征和方向特征，运动区域内的光流特征的幅度强度大且运动方向不一致时，认为有异常行为发生，计算加权方向直方图的熵，采用混合高斯模型选取检测阈值，并根据检测阈值和加权方向直方图的熵判断是否有异常行为发生，并不断的更新混合高斯模型，从而更新检测阈值，实现检测阈值选取的自动化。该系统实现了实时检测视频场景中异常行为的需求，监控系统自动检测出异常行为，避免了异常行为扰乱公共场所秩序，危害公共安全及人身安全，减少了人员工作量，避免因漏检和误检带来安全隐患，提高查找有用信息的效率，满足人们对监控系统的需求。

作为一种可实施方式，前景提取模块100包括提取单元110和过滤单元120。其中：提取单元110，用于从视频帧中提取运动前景图像。过滤单元120，用于根据预设滤波阈值将小面积的运动前景图像过滤掉，得到行人前景图像。

作为一种可实施方式，区域标记模块300包括第一计算单元310，第二计算单元320，第三计算单330元和关联单元340。其中：第一计算单元310，用于计算运动区域的零阶矩和一阶矩。第二计算单元320，用于根据零阶矩和一阶矩计算得到运动区域的区域中心。第三计算单元330，用于根据区域中心计算马氏距离。关联单元340，用于将相邻的视频帧的马氏距离最短的运动区域进行关联。

作为一种可实施方式，阈值选取更新模块700包括判断单元710，高斯分布单元720和更新单元730。其中：判断单元，用于判断加权方向直方图的熵是否大于检测阈值；若是，则判断有异常行为发生；若否，则判断无异常行为发生。高斯分布单元720，用于将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布。更新单元730，用于将新的高斯分布替换混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据新的混合高斯模型得到新的检测阈值。

作为一种可实施方式，采用L-K光流算法计算运动区域内的光流特征。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于视频分析的异常行为检测方法，其特征在于，包括以下步骤：

从视频帧中提取行人前景图像；

对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

计算已标记的所述运动区域内的光流特征；

根据所述光流特征得到加权方向直方图；

计算所述加权方向直方图的熵；

采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

2.根据权利要求1所述的基于视频分析的异常行为检测方法，其特征在于，所述从视频帧中提取行人前景图像，包括如下步骤：

从视频帧中提取运动前景图像；

根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

3.根据权利要求1所述的基于视频分析的异常行为检测方法，其特征在于，所述采用最近邻法对所述运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联，包括如下步骤：

计算所述运动区域的零阶矩和一阶矩；

根据所述零阶矩和所述一阶矩计算得到所述运动区域的区域中心；

根据所述区域中心计算马氏距离；

将相邻的所述视频帧的所述马氏距离最短的所述运动区域进行关联。

4.根据权利要求1所述的基于视频分析的异常行为检测方法，其特征在于，所述采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值，包括以下步骤：

判断所述加权方向直方图的熵是否大于所述检测阈值；

若是，则判断有异常行为发生；

若否，则判断无异常行为发生；

将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布；

将所述新的高斯分布替换所述混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据所述新的混合高斯模型得到新的所述检测阈值。

5.根据权利要求1至4任一项所述的基于视频分析的异常行为检测方法，其特征在于，采用L-K光流算法计算所述运动区域内的光流特征。

6.一种基于视频分析的异常行为检测系统，其特征在于，包括前景提取模块，区域划分模块，区域标记模块，光流特征计算模块，加权方向直方图模块，熵计算模块和阈值选取更新模块，其中：

所述前景提取模块，用于从视频帧中提取行人前景图像；

所述区域划分模块，用于对所述视频帧进行网格划分，划分为多个网格区域，并设定所述行人前景图像所在的所述网格区域为运动区域；

所述区域标记模块，用于采用最近邻法对运动区域进行标记，将相邻的所述视频帧的所述运动区域进行关联；

所述光流特征计算模块，用于计算已标记的所述运动区域内的光流特征；

所述加权方向直方图模块，用于根据所述光流特征得到加权方向直方图；

所述熵计算模块，用于计算所述加权方向直方图的熵；

所述阈值选取更新模块，用于采用混合高斯模型选取检测阈值，根据所述检测阈值和所述加权方向直方图的熵检测是否有异常行为发生，并更新所述检测阈值。

7.根据权利要求6所述的基于视频分析的异常行为检测系统，其特征在于，所述前景提取模块包括提取单元和过滤单元，其中：

所述提取单元，用于从视频帧中提取运动前景图像；

所述过滤单元，用于根据预设滤波阈值将小面积的所述运动前景图像过滤掉，得到行人前景图像。

8.根据权利要求6所述的基于视频分析的异常行为检测系统，其特征在于，所述区域标记模块包括第一计算单元，第二计算单元，第三计算单元和关联单元，其中：

所述第一计算单元，用于计算所述运动区域的零阶矩和一阶矩；

所述第二计算单元，用于根据所述零阶矩和所述一阶矩计算得到所述运动区域的区域中心；

所述第三计算单元，用于根据所述区域中心计算马氏距离；

所述关联单元，用于将相邻的所述视频帧的所述马氏距离最短的所述运动区域相应的进行关联。

9.根据权利要求6所述的基于视频分析的异常行为检测系统，其特征在于，所述阈值选取更新模块包括判断单元，高斯分布单元和更新单元，其中：

所述判断单元，用于判断所述加权方向直方图的熵是否大于所述检测阈值；若是，则判断有异常行为发生；若否，则判断无异常行为发生；

所述高斯分布单元，用于将当前的加权方向直方图的熵作为新的均值，选取新的标准差，得到新的高斯分布；

所述更新单元，用于将所述新的高斯分布替换所述混合高斯模型中权重最小的高斯分布，形成新的混合高斯模型，根据所述新的混合高斯模型得到新的所述检测阈值。

10.根据权利要求6至9任一项所述的基于视频分析的异常行为检测系统，其特征在于，采用L-K光流算法计算所述运动区域内的光流特征。