CN112215083A - 一种基于异常变化建模的多地理视频自适应事件探测方法 - Google Patents

一种基于异常变化建模的多地理视频自适应事件探测方法 Download PDF

Info

Publication number
CN112215083A
CN112215083A CN202010979507.1A CN202010979507A CN112215083A CN 112215083 A CN112215083 A CN 112215083A CN 202010979507 A CN202010979507 A CN 202010979507A CN 112215083 A CN112215083 A CN 112215083A
Authority
CN
China
Prior art keywords
event
change
abnormal
geographic
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010979507.1A
Other languages
English (en)
Other versions
CN112215083B (zh
Inventor
谢潇
鄂超
薛冰
李京忠
任婉侠
孔琪
伍庭晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Applied Ecology of CAS
Original Assignee
Institute of Applied Ecology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Applied Ecology of CAS filed Critical Institute of Applied Ecology of CAS
Priority to CN202010979507.1A priority Critical patent/CN112215083B/zh
Publication of CN112215083A publication Critical patent/CN112215083A/zh
Application granted granted Critical
Publication of CN112215083B publication Critical patent/CN112215083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Abstract

本发明涉及一种基于异常变化建模的地理视频自适应事件探测方法，属于地理空间数据处理技术领域，包括以下步骤：a)构建认知驱动的地理视频异变模型；b)构建地理视频异常分层感知结构；c)创建地理视频异常事件测度指标；d)地理视频异常事件测度指标计算。本发明的核心是针对“反映多尺度复杂公共安全事件信息的地理视频”进行快速整合与高效知识理解的组织检索需求，确立一种地理视频的自适应事件探测方法，以实现从离散多地理视频内容的过程片段中感知探测到异常事件。

Description

一种基于异常变化建模的多地理视频自适应事件探测方法
技术领域
本发明涉及一种基于异常变化建模的地理视频自适应事件探测方法，属于地理空间数据处理技术领域。
背景技术
在地理信息科学研究中，以莱布尼茨事件时空观和爱因斯坦相对时空观为基础的时空现象研究，确立了“事件是人们认知动态事件基本单元”、“事件是时态关系的直接研究对象”以及“事件的发生频率决定了时间尺度”等一系列核心概念；指引了时空动态研究向探求现实世界内在变化规律的更深层次、更本质化方向发展。事件作为对变化呈现模式的认知抽象，从更高和更综合的角度反映监控场景变化的存在规律和人类对地理视频内容变化的认知规律。基于事件来综合特征形式与组织分析粒度异构的地理要素，探索动态地理过程的变化机制由此成为从更高概念层面研究时空动态问题的着眼点。对事件的感知因而符合对“反映多尺度复杂公共安全事件信息的地理视频”进行快速整合与高效知识理解的组织检索需求。故本发明提出一种基于异常变化建模的地理视频自适应事件探测方法，以适应从离散多地理视频内容的过程片段中感知探测到异常事件的需求。
发明内容
本发明的目的在于提供一种基于异常变化建模的地理视频自适应事件探测方法。针对从离散多地理视频内容的过程片段中感知探测到异常事件的需求，提供一种基于异常变化建模的地理视频自适应事件探测方法。首先从事件和变化的关系角度分析现有事件概念、分类、共性要素及其与变化过程表达的关系；在此基础上，定义面向异常变化过程认知的事件概念；并针对事件特征提出联合异常状态发现与异常过程理解的事件感知模型。
本发明为实现上述目的所采用的技术方案是：一种基于异常变化建模的多地理视频自适应事件探测方法，通过图像采集设备获取地理视频，根据地理视频内容对异常事件进行探测，根据所建立的地理视频异常事件的测度指标得到测度函数，通过测度函数得到的地理视频集中感知事件即为探测结果，包括以下步骤：
构建认知驱动的地理视频异变模型：依据地理视频数据内容建立地理视频数据内容异常变化的事件组，基于事件组实现多层次事件对象形式化异常事件的对象表达，并从地理视频数据的外部整体特征和内部组成特征的角度明确异常事件具有的共性时空结构；
构建地理视频异常分层感知结构：基于地理视频内容变化的异常变化事件组与事件对象表达、共性时空结构，建立基于异常变化发现的事件发生过程感知层和基于变化过程关联的事件发展过程感知层所构成的地理视频异常分层适应性感知结构，从而支持从离散的多地理视频数据内容中获取完整事件信息；
创建地理视频异常事件测度指标：针对多地理视频数据集，构建表达集合特征的定义异常事件的测度指标，所述测度指标由事件的发生感知测度和事件的发展感知测度所构成；
地理视频异常事件测度指标计算：根据构建的测度指标，定义事件的测度函数，从而进行测度的定性与定量表达，实现从地理视频数据集中感知事件并构建多层次事件对象，用于表达异常事件的多层次事件对象即为探测结果。
所述构建认知驱动的地理视频异变模型包括以下步骤：
1.构建地理视频数据内容异常变化的事件组，具体为：
1.1)专题变化：具体为人类活动和活动依托的地表环境变化；
1.2)地理视频内容变化：具体为通过用于表达有序内容变化的序列地理视频图像增量特征解析以及基于变化语义特征项描述的地理视频图像，并能通过解析与描述的结果中表达地理视频图像中的对象要素状态差异认知的专题变化；
1.3)有序内容变化：令R代表可归纳的专题变化规律，C代表某包含m个连续数据序列的地理视频图像，F代表用于描述C且包含n个特征项的变化语义特征集，F(C)表示C的各项变化语义特征顺序取值集合，其中，fi为第i项特征在目标地理视频图像中的取值序列fi＝{v1，…，vj，…，vm}，vj为fi对应数据序列值j的特征值；则C中的内容变化表示为：F(C)＝{f1…，fi，…，fn}；当且仅当F(C)|＝R，称该C为有序变化；
1.4)异常内容变化：称所有不满足专题内容有序变化的C为异常变化，基于步骤1.3)形式化表示为：
Figure BDA0002687052460000031
1.5)地理视频内容变化的事件或异常事件：具体为局域性异常变化及随时空尺度增长而扩大的全局范围内与异常变化相关变化集的总体呈现模式；
2.多层次事件对象形式化异常事件的对象表达，具体为：
2.1)行为过程对象：面向内容变化实例化行为过程对象，具体将满足有序变化或异常变化分别表达为描述变化过程的行为过程对象实例；其中，行为过程对象所包含的核心要素变化流程具体化为：各项语义特征顺序取值集合F(C)；
2.2)多层次事件对象：针对异常变化分层实例化异常事件为多层次事件对象；
3.构建异常事件具有的共性时空结构：
3.1)外部时间结构：异常事件的外部时间结构构成事件整体所经历的时间范围；
3.2)外部空间结构：异常事件的外部空间结构表现为理解事件整体所涉及的空间范围；
3.3)内部时间结构：异常事件的内部时间结构构成事件发展过程所经历的开始、持续、完成在内的生命周期中的过程阶段；
3.4)内部空间结构：异常事件的内部空间结构表现为事件不同层次发展阶段所涉及的地理位置序列。
所述步骤2.2)具体为：依次根据多层次事件对象的分类实现：
a)原子事件对象：将满足异常变化分别表达为描述变化呈现模式的原子事件对象实例，其中，
①原子事件对象的核心要素事件规则具体化为：非专题变化规律
Figure BDA0002687052460000032
②原子事件对象的构成要素过程集合具体化为：由异常变化实例化的行为过程对象；
b)聚合事件对象：将原子事件对象具有的变化语义特征集F关联的行为过程对象共同表达为描述变化呈现模式的聚合事件对象实例，其中，
①聚合事件对象的核心要素事件规则具体化为：原子事件对象中的事件规则以及变化语义特征集F关联描述；
②聚合事件对象的构成要素过程集合具体化为：原子事件对象中的过程集合及与其具有时空特征和语义特征相关的行为过程对象共同构成的集合。
所述构建地理视频异常分层感知结构包括以下步骤：
1.基于异常变化发现的事件发生过程感知，具体为：
1.1)定义感知特征：将异常状态作为事件异常变化要素的感知特征；
1.2)执行感知操作：面向异常变化要素的感知特征，执行异常状态发现的感知操作，具体通过依据时序状态解析的方法依次扫描多地理视频数据，对于数据中的每一段连续图像序列，判断其是否满足内容的异常内容变化规则，将每段连续图像序列的第一个异常状态或承接一个正常状态的异常状态作为感知获得的异常触发状态；同时，将每一组连续的异常状态作为感知获得的异常变化发生过程；
1.3)实现对象表达：对于感知到的每个异常变化，根据异常事件的对象表达方式，将其结构化为原子事件对象；
2.基于变化过程关联的事件发展过程感知：
2.1)定义感知特征：将过程关系作为事件与异常变化直接或间接相关的变化要素的感知特征；其中，过程关系可划分为两类：
a)面向变化过程阶段性的内在演化机制关系；
b)面向监控窗口离散性的外在空间整合或时序承接关系；
2.2)执行感知操作：面向过程关系特征，执行变化过程关联的感知操作，具体利用变化过程具有的特征项表达过程关系，并在此基础上，通过具体变化过程特征项取值，判别两变化过程间可能存在的具体关系；
2.3)实现对象表达：对于具有关系的变化过程，根据异常事件的对象表达方式，将与异常变化过程具有关系的变化及该变化关系作为整体，结构化为聚合事件对象。
所述创建地理视频异常事件测度指标包括以下步骤：
事件的发生感知测度：描述状态的异常性及异常程度；发生测度参数化为PMo；
事件的发展感知测度：描述变化过程的关联，包括关联度、关联方向及关联层次三个测度分量；其中，关联度是表达两变化过程关联的紧密程度的标量，关联方向是表达关联中两变化过程的顺序、约束、控制作用执行方向的矢量，关联层次是表达关联关系尺度的标量；发展测度参数化为PMd。
所述地理视频异常事件测度指标计算包括以下步骤：
发生测度函数：PMo(Soge)，PMo(Soge)＝F(Soge)-Fnr
F(Soge)是指任一地理视频图像内容状态的参数组F(C)取值，参数组根据事件的内部构成描述参与变化过程的对象状态，具体可分为描述对象自身状态的特征参数，以及描述该对象状态与图像中其他对象的关系参数；
Fnr指与专题变化规律R匹配的状态参数组正常取值变化范围；该状态参数组为上述表达F(Soge)的特征参数与关系参数集合的子集；
当且仅当所有特征参数和关系参数计算分量均为0，测度值PMo为0；不为0的测度值代表了状态的异常，且测度值越大，异常性越大；基于PMo，用于定量感知地理视频内容的异常状态及其异常程度，继而通过感知操作，发现异常变化过程，进而构建原子事件对象；
发展测度函数：PMd(Eoob)，PMd(Eoob)＝Pcm(Eoob)∩Pcn(Eoob)
Pcm(Eoob)与Pcn(Eoob)表示待感知变化过程集合中的任意两个变化过程，每个变化过程根据异常事件的对象表达规则表达为一个行为过程对象，根据行为过程对象的形式化定义，Pcm(Eoob)与Pcn(Eoob)均包含一组具有时间、空间和属性维度特征的参数；
利用发展测度函数PMd(Eoob)用于判别任意两个变化过程是否具有事件理解相关的共性特征，实现关联性的定性判断，完成变化过程的关联；当进一步建立各相关特征要素的可度量的基本空间，则继而通过对两变化过程特征项的逐一度量，定量感知变化过程的关联紧密程度和关联方向，进而实现全局变化过程集的关联表示；更进一步，则通过关联层次划分全局不同层次粒度的关联变化过程集，实现其分层有序表达，从而构建出多地理视频数据的聚合事件对象。
所述Fnr所涉及的各项参数正常变化范围需至少满足以下两种获取方式之一：
①外部输入方式，即通过外部统计经验值匹配输入的静态获取方式；
②实时计算方式，即面向当前处理的待探测的地理视频数据集，在实时事件感知过程中实时计算的动态获取方式；
其中，实时计算主要采用的统计信息项包括最值、均值、方差、信息熵中的至少一种。
所述发展测度函数PMd(Eoob)的计算操作规则针对PMd的关联度、关联作用方向及关联层次三元测度分量分三步执行，具体为：
针对关联度，首先，判别Pcm(Eoob)和Pcn(Eoob)是否具有共性特征要素，其中，当指定判断的特征条件时，则根据指定判断的特征条件作识别，否则默认搜索所有要素；然后，对于存在共性特征要素的Pcm(Eoob)和Pcn(Eoob)，对应其内容特征与地理特征分类，分别采用两种基本空间对共性要素进行度量：
(i)对应内容特征的相似性度量空间；
(ii)对应地理特征的相关性度量空间；
在面向地理视频数据集进行变化过程感知时，分别对涉及的内容特征参数和地理特征参数，逐一根据其类型，进行内容一致或地理相同的基本空间构建及以基本空间为参照的关联度定量计算；对于可能存在的多个相关性特征，则采用逐特征相似性或相关性的定量计算，并对各计算结果加权求和实现；
针对关联方向，考虑关联作用具有的方向性，限定参与∩操作符运算的两变化过程Pcm(Eoob)和Pcn(Eoob)不满足运算的交换律，即一般情况下，Pcm(Eoob)∩Pcn(Eoob)≠Pcn(Eoob)∩Pcm(Eoob)；但特别地，当仅存在时间维度的顺序关联时，有Pcm(Eoob)∩Pcn(Eoob)＝-Pcn(Eoob)∩Pcm(Eoob)；
针对关联层次，由于关联层次分量是对事件认知尺度的表达，而尺度的划分决定于过程关联所体现出的不同特征，因此，利用∩所解析的共性特性表达关联层次，使不同的层次具有次序性和耦合性，其中，层次间由低至高的次序性基于共性特征的以下原则确定：
(i)局部特征到全局特征；
(ii)个体特征到群体特征；
同时，层次间的耦合性，基于共性特征的以下三类关系表达：
(i)内在组成关系；
(ii)区间次序关系；
(iii)细节层次关系。
本发明具有以下有益效果及优点：
本发明建立了从“面向静态格局时空区划分组”到“面向动态过程事件特征分层”的地理视频数据划分机制：突破了传统GIS时空数据组织中利用时空维度信息进行静态区划分组的数据划分方法，面向公共安全事件动态变化过程的多尺度认知理解需求，建立面向地理视频数据内容动态过程的事件特征分层划分机制；该机制基于对“事件是变化专题特征呈现模式”及“事件的多层次对应‘随时空尺度增长而扩大的变化集’中层级递进的变化专题特征”的概念理解及其关系认识，利用多尺度事件间差异性特征，划分地理视频数据集的层次并建立层次关联；为面向公共安全事件动态变化过程多尺度认知理解的地理视频数据层次聚类提供数据划分的基础层次框架。
附图说明
图1为本发明方法原理示意图；
图2为本发明方法步骤流程图；
图3A为本发明方法实施示例处理过程示意图；
图3B为具有层次属性的地理视频镜头变化语义元数据关联图示例；
图3C为地理视频镜头变化语义元数据有向带权关联图示例。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
图像采集设备采集地理视频数据，根据异常变化建立异变模型，并根据地理视频内容的变化，从离散多地理视频内容的过程片段中感知探测到异常事件。
如图1、图2所示，本发明根据地理视频内容对异常事件进行探测；根据所建立的地理视频异常事件的测度指标得到测度函数，并据此得到的地理视频集中感知事件即为探测结果，包括以下步骤：
步骤1，认知驱动的地理视频异变建模：依据人们对公共安全领域的地理视频数据内容的认知过程建立地理视频数据内容异常变化的事件组，基于事件组实现多层次事件对象形式化异常事件的对象表达，并从外部整体特征和内部组成特征的角度明确异常事件具有的共性时空结构。
步骤2，地理视频异常分层感知结构构建：基于地理视频内容变化的异常变化事件组与事件对象表达、共性时空结构，建立基于异常变化发现的事件“发生”过程感知层和基于变化过程关联的事件“发展”过程感知层所构成的地理视频异常分层适应性感知结构，从而支持从离散的多地理视频数据内容中获取完整事件信息。
步骤3，地理视频异常事件测度指标创建：在地理空间问题中测度以不同实例成为支持时空分析的重要基础，而测度实例是分析中的共识指标。针对专利所针对的多地理视频数据集，从各层次面向的“感知特征”为着眼点，构建表达集合特征的定义异常事件的测度指标，由事件的发生感知测度和事件的发展感知测度所构成，为后续事件的感知与探测提供理论支持。
步骤4：地理视频异常事件测度指标计算：基于函数表达的思路，根据构建的测度指标，定义事件的测度函数。从而支持测度的定性与定量表达，实现从地理视频数据集中感知事件并构建多层次事件对象。
而且，在步骤1中，认知驱动的地理视频异变建模包括以下子步骤：
步骤1.1，地理视频数据内容异常变化的事件组为：
步骤1.1a，专题变化：指公共安全监测专题重点关注的人类活动和活动依托的地表环境变化；
典型的专题变化包括地表空间中地理实体对象的位置迁移、对象外观形态的改变以及对象所处背景环境结构特征的改变。专题变化因自然地理过程和现象的节律性以及人类社会组织运行的有序性而具有稳定性、有序性、重复性等的总体变化规律。地理视频内容变化随之呈现特征项与特征参数的规则、阶段、周期等总体稳定的取值规律。基于有序规律对立面识别异常是异常检测方法的有效思路。因为一方面，相较于难以形成共性表达异常，对有序规律的归纳和表达是人类理性认知的本质特征，符合经典科学的世界观，提供了理解和建模的可行性；另一方面，人类活动和活动依托的地表环境基于节律和有序的变化规律形成平稳运行的总体特征，打破规律的变化形成扰乱环境运行秩序可被理解为形成安全威胁的根本原因。为此，本专利首先定义有序内容变化，并在其基础上定义异常内容变化。
步骤1.1b，地理视频内容变化：指地理视频图像中能通过“序列地理视频图像增量特征”解析，能基于(用以描述地理视频内容变化语义特征)“变化语义特征项”描述，并能通过解析与描述结果中“地理对象要素状态差异”认知的专题变化；
步骤1.1c，有序内容变化：令R代表可归纳的专题(定性/定量)变化规律，C代表某包含m个连续数据序列的地理视频内容，F代表用于描述C且包含n个特征项的变化语义特征集，F(C)表示C的各项语义特征顺序取值集合，其中，fi为第i项特征在目标地理视频(待分析的地理视频)序列图像中的取值序列fi＝{v1，…，vj，…，vm}，vj为fi对应数据序列值j的特征值；则C中的内容变化可表示为：F(C)＝{f1…，fi，…，fn}；当且仅当F(C)|＝R，称该C为有序变化。(形式化逻辑运算符含义为：
Figure BDA0002687052460000101
非)；
步骤1.1d，异常内容变化：称所有不满足专题内容有序变化的C为异常变化，基于步骤1c形式化表示为：
Figure BDA0002687052460000102
(形式化逻辑运算符含义为：
Figure BDA0002687052460000103
满足)；
由于变化规律R是对全局有序特征认知的抽象，与之相对的异常则表现出认知上的局域性。考虑安全事件的异常表征具有一系列前期潜伏及后期次生和衍生的相关事件，因而，基于内容异常变化定义地理视频内容变化的事件如步骤1.1e：
步骤1.1e，地理视频内容变化的事件/异常事件：指“局域性异常变化”及“随时空尺度增长而扩大的全局范围内与异常变化相关变化集”的总体呈现模式，与异常变化相关是指具有时空特征和语义特征相关的，例如时间空间临近，或者包含同一个语义对象等等，前文所述语义特征、变化语义特征是判定依据。其中：
①“异常变化”是事件的核心；“相关变化”可以是有序的，也可以是异常的；
②“相关”可根据变化过程耦合作用的矢量性与传递性，包括直接相关与间接相关；
③“呈现模式”指“变化(集)”具有的专题特征，专题特征因变化过程耦合的尺度效应呈现“随时空尺度增长”层级递进的专题含义。
步骤1.2，多层次事件对象形式化异常事件的对象表达如下：
步骤1.2a，行为过程对象：首先面向“内容变化”实例化“行为过程对象”，具体将满足“有序变化”或“异常变化”分别表达为描述变化过程的“行为过程对象”实例；其中，行为过程对象的核心要素“变化流程”具体化为：各项语义特征顺序取值集合F(C)；
步骤1.2b，多层次事件对象：然后针对“异常变化”分层实例化异常事件为“多层次事件对象”。依次根据多层次事件对象的分类实现：
a)原子事件对象：将满足“异常变化”分别表达为描述变化呈现模式的“原子事件对象”实例。其中，
①原子事件对象的核心要素“事件规则”具体化为：非专题变化规律
Figure BDA0002687052460000111
②原子事件对象的构成要素“过程集合”具体化为：由该“异常变化”实例化的行为过程对象；
b)聚合事件对象：将原子事件对象具有特征项F关联的行为过程对象共同表达为描述变化呈现模式的“聚合事件对象”实例；其中，
①聚合事件对象的核心要素“事件规则”具体化为：a)原子事件对象中的“事件规则”以及特征项F关联描述；
②聚合事件对象的构成要素“过程集合”具体化为：a)原子事件对象中的“过程集合”及1)中与其相关的行为过程对象共同构成的集合。其中，相关是指具有时空特征和语义特征相关的：例如时间空间临近，或者包含同一个语义对象等等。
步骤1.3，异常事件具有的共性时空结构如下：
步骤1.3a，外部时间结构：事件的外部时间结构构成事件整体所经历的时间范围。物质世界的变化是绝对的，作为变化的呈现模式，事件也具有可无限延续的特征；具体来说，监控环境中的事件在时间上可能是有界的历史完成事件也可以是无界的持续事件。但从认知科学的角度，作为变化呈现模式的事件是人们从观察者的角度对现实世界变化的理解。受相对论的影响，瞬时的变化是不存在的，即人们不可能在时间点上理解变化，因而，能理解的变化一定有其存在时间范围；此外，时间无界则本身缺乏认知的完整性表达条件。因此，可将认知意识本身视为对现实世界的约束，在事件的数据对象表达中，对应将人们认知事件所面向的有限时间范围取代绝对变化本身经历持续的时间，表达为以时刻为边界的闭区间：[T1，T2]，T2＞T1；
步骤1.3b，外部空间结构：事件的外部空间结构表现为理解事件整体所涉及的空间范围，因此，在事件的数据对象表达中，对应将人们认知事件所面向的有限空间范围取代绝对变化本身经历泛在的空间，表达为空间有界的多边形/多面体几何对象；在语义层次则描述为包含该空间范围最细节层次的位置概念；
步骤1.3c，内部时间结构：事件的内部时间结构构成事件发展过程所经历的开始、持续、完成等生命周期中的过程阶段。以突发公共事件类型(国发[2005]11号)中视频监控所主要涉及的重大刑事案件(类型代码402000)为例，典型的过程阶段可以包括诱因阶段、策划阶段、实施阶段和逃逸阶段等；又如大规模群体性事件(类型代码405000)为例，典型的过程阶段包括潜伏阶段、爆发阶段、恢复阶段、消失阶段。因此，在事件的数据对象表达中，表示为与各生命周期阶段相对应的时间区间序列。其中，两两相邻时间区间[ti，ti+1]，[ti+2，ti+1]，满足以下时态拓扑关系：ti+3＞ti+2且ti+1＞ti且ti+2＞ti＞T1，T2＞max(ti+1，ti+1)。；
步骤1.3d，内部空间结构：事件的内部空间结构表现为事件不同层次发展阶段所涉及的地理位置序列。在事件的数据对象表达中，表示为一组形变、移动或群组变化模式的多边形/多面体序列；在语义层次则描述为对应多边形/多面体序列的一组位置概念。
事件的外部时间结构和空间结构约束了理解和描述变化过程的时空边界，具体地，外部时间结构限定了解析事件内部时间结构的边界；外部空间结构限定了理解事件的空间边界并限定了描述事件经过所采用的位置尺度语义的边界，同时还提供了描述事件内部空间结构的位置划分域，约束参与事件的特征对象的地理位置及构成事件的行为过程的运动模式的描述。此外，事件的外部时间结构和空间结构也基于事件的数据组织提供了关键的检索入口。
而且，步骤2中，地理视频异常分层感知结构构建包括以下子步骤：
步骤2.1，基于异常变化发现的事件“发生”过程感知：
步骤2.1a，定义感知特征：将“异常状态”作为事件“异常变化”要素的感知特征；
步骤2.1b，执行感知操作：面向异常状态特征，执行异常状态发现的感知操作，具体通过依据时序状态解析的方法依次扫描多地理视频数据，对于数据中的每一段连续图像序列，判断其是否满足内容的异常状态规则，将每段连续图像序列的第一个异常状态或承接一个正常状态的异常状态作为感知获得的异常触发状态；同时，将每一组连续的异常状态(集)作为感知获得的异常变化发生过程；
步骤2.1c，实现对象表达：对于感知到的每个异常变化，根据异常事件的对象表达方法，将其结构化为原子事件对象。
步骤2.2，基于变化过程关联的事件“发展”过程感知：
步骤2.2a，定义感知特征：将“过程关系”作为事件“与异常变化直接或间接相关的变化”要素的感知特征；与异常变化直接的变化，是指两个地理视频中所含的同一特征具有变化；与异常变化间接的变化，两个地理视频中所含的特征具有设定的所属关系；例如某个人在另一个地理视频中出现，那么这两段数据直接相关，若这个人的亲人在另一个视频中出现，为间接相关；其中，过程关系可根据上文分析划分为两类：
a)面向变化过程阶段性的内在演化机制关系；
b)面向监控窗口(视频摄像头所能拍摄的空间范围)离散性的外在空间整合/时序承接关系；
步骤2.2b，执行感知操作：面向过程关系特征，执行变化过程关联的感知操作，具体利用变化过程具有的特征项表达过程关系，并在此基础上，通过具体变化过程特征项取值，判别两变化过程间可能存在的具体关系；
步骤2.2c，实现对象表达：对于具有关系的变化过程，根据异常事件的对象表达方法，将与异常变化过程具有关系的变化及其关系作为整体，结构化为聚合事件对象。
而且，在步骤3中，地理视频异常事件测度指标如下：
步骤3a，事件的发生感知测度：描述状态的异常性及异常程度；发生测度参数化为PMo；
步骤3b，事件的发展感知测度：描述变化过程的关联，包括关联度、关联方向及关联层次三个测度分量；其中，关联度是表达两变化过程关联的紧密程度的标量，关联方向是表达关联中两变化过程的顺序/约束/控制作用执行方向的矢量，关联层次是表达关联关系尺度的标量；发展测度参数化为PMd。
而且，在步骤4中，地理视频异常事件测度指标测度函数如下：
步骤4a，发生测度函数：PMo(Soge)，PMo(Soge)＝F(Soge)-Fnr
F(Soge)是指任一地理视频图像内容状态的参数组取值，参数组根据“事件的内部构成”具体描述参与变化过程的对象状态，具体可分为两类参数：(i)描述对象自身状态的特征参数(事件参与者的状态变化，支持对事件自身局部变化过程的认知)，以及(ii)描述该对象状态与图像中其他对象的关系参数(事件间的关联关系即事件的外部关系，支持现实世界整体变化过程的认知)；
Fnr指与专题变化规律R匹配的状态参数组正常取值变化范围；该状态参数组为上述表达F(Soge)的特征参数与关系参数集合的子集；特别地，为保证解析分析的可行性，Fnr所涉及的各项参数正常变化范围需至少满足以下两种获取方式之一：
I.外部输入方式，即通过系统外部统计经验值匹配输入的静态获取方式；
II.实时计算方式，即面向当前处理的数据集，在实时事件感知过程中实时计算的动态获取方式；
其中，实时计算主要采用的统计信息项可包括最值、均值、方差、信息熵等。从两种方式获取的特点相比较，方式(i)所获取的输入信息常为定值，信息时效性低但计算时效性高；反之，方式(ii)能实现取值的动态修正，信息时效性高，但可能涉及密集的计算，因此，实际计算处理中可根据任务需要选择执行；
“-”是基于数学运算符“减”的扩展定义操作符，表示F(Soge)各项取值与Fnr中相应特征项正常范围的差值。“-”的计算操作规则是：当F(Soge)的参数取值处于相应特征项正常范围内时，则该项特征的计算分量为0，否则差值绝对值表达的正数分量；最终运算结果为各计算分量的加权和并全局归一化。
由此，当且仅当所有参数计算分量均为0，测度值PMo为0；不为0的测度值代表了状态的“异常”，且测度值越大，异常性越大。基于PMo，就能够定量感知地理视频内容的异常状态及其异常程度，继而通过感知操作，发现异常变化过程，进而构建原子事件对象。
步骤4b，发展测度函数：PMd(Eoob)，PMd(Eoob)＝Pcm(Eoob)∩Pcn(Eoob)
Pcm(Eoob)/Pcn(Eoob)表示待感知变化过程集合中的任意两个变化过程，每个变化过程根据异常事件的对象表达规则(即多层次事件对象形式化异常事件的对象表达)表达为一个行为过程对象，根据行为过程对象的形式化定义，Pcm(Eoob)与Pcn(Eoob)均包含一组具有时间、空间和属性维度特征的参数，这组参数可具体分为两类：
I.描述内容特征的行为动作语义项；
II.描述地理特征的运动模式语义。
“∩”是基于数学运算符“交”的扩展定义操作符，表示Pcm(Eoob)和Pcn(Eoob)特征参数的共性特征，变化过程关系即通过其共性特征体现。与“-”统一操作的执行流程不同，“∩”的计算操作规则针对PMd的关联度、关联作用方向及关联层次三元测度分量分三步执行：
I.针对关联度，首先，判别Pcm(Eoob)和Pcn(Eoob)是否具有共性特征要素，其中，当指定判断的特征条件时，则根据条件特征作识别，否则默认搜索所有要素即参与者行为过程(Oob)表现的特征要素(Flement)，EOob；然后，对于存在共性要素的Pcm(Eoob)和Pcn(Eoob)，对应上述参数的内容特征与地理特征分类，分别采用两种“基本空间”对共性要素进行度量：
(i)对应内容特征的相似性度量空间；
(ii)对应地理特征的相关性度量空间。
在面向地理视频数据集进行变化过程感知时，分别对涉及的各参数，逐一根据其类型，进行内容相似或地理相关的基本空间构建及以基本空间为参照的关联度定量计算；对于可能存在的多个相关性特征，则采用逐特征相似/相关性的定量计算，并对各计算结果加权求和实现；
II.针对关联方向，考虑关联作用具有的方向性，限定参与“∩”操作符运算的两变化过程Pcm(Eoob)和Pcn(Eoob)不满足运算的交换律，即一般情况下，Pcm(Eoob)∩Pcn(Eoob)≠Pcn(Eoob)∩Pcm(Eoob)；但特别地，当仅存在时间维度的顺序关联时，有Pcm(Eoob)∩Pcn(Eoob)＝-Pcn(Eoob)∩Pcm(Eoob)；
III.针对关联层次，由于关联层次分量是对事件认知尺度的表达，而尺度的划分决定于过程关联所体现出的不同特征，因此，利用“∩”第一步中所解析的共性特性项表达关联层次。不同的层次具有次序性和耦合性，其中，层次间由低至高的次序性基于共性特征的以下原则确定：
(i)局部特征到全局特征；
(ii)个体特征到群体特征；
同时，层次间的耦合性，基于共性特征的以下三类关系表达：
(i)内在组成关系，如特征对象的部件/整体；
(ii)区间次序关系，如对象移动行为速度的[20-30]/[30-50]千米/小时；
(iii)细节层次关系，如时间维粒度的天/月/年。
由此，当设定变化过程集合需要感知的事件特征，则能首先利用测度函数PMd(Eoob)判别其是否具有事件理解相关的共性特征，快速实现关联性的定性判断，完成变化过程的关联；当进一步建立各相关特征要素(具有事件理解相关的共性特征要素)的可度量的“基本空间”，则能继而通过对两变化过程特征项的逐一度量，定量感知变化过程的关联紧密程度和关联方向，进而实现全局变化过程集的关联表示；更进一步，则能通过关联层次划分全局不同层次粒度的关联变化过程集，实现其分层有序表达，从而构建出多地理视频数据的聚合事件对象。
如图3A～图3C所示，根据事件发生测度函数的定义，进行了逐地理视频镜头对象的内部解析，计算其事件的发生感知测度，其中的关键步骤包括：
①设定专题事件认知需求的异常变化描述标签ea；
②建立对象状态特征参数与标签ea的映射关系。具体通过抽取地理视频镜头对象(Ogs)语义元数据中参与变化过程各地理实体的变化状态特征项(Soge)，包括描述个体特征的内容语义项(CSE)和描述地理位置的地理语义项(GSE)，即Soge＝{CSE，GSE}；建立CSE、GSE特征子集cse、gse到ea的映射ra：
Figure BDA0002687052460000171
③面向特征子集获取有序变化的定量规则表达。具体基于cse、gse特征项，从“对象自身状态特征”和(或)“对象状态间关系”的角度，通过外部输入或实时计算的方式确定有序变化的特征和(或)特征关系变化的取值范围，从而得到定量变化规则Fnr：
Fnr：f(cse×gse)
④计算地理视频镜头内各对象状态的感知测度。利用Ogs语义元数据中各对象状态取值F(Soge)，计算Ogs内容中的事件发生测度PM0；并根据PM0值判断该Ogs中是否发生了原子事件。
对于示例数据所面向的室内安全监控专题，“可疑人员入侵/逃离”是判别监控区域安全性并需要触发安全问题响应的基本而重要的变化信息.因此，在对示例数据提取的地理视频镜头进行事件发生感知测度计算时：
①实例化该专题事件的异常变化特征描述标签ea为：
ea＝可疑人员/逃离
②根据“人员”对象的特征参数项，建立特征子集cse{专题对象类型}和gse{语义位置}到ea{可疑人员/逃离}的映射：
ra：{CSE.专题对象类型＝外来人员}×{GSE.语义位置＝大门}
→{外来人员入侵/逃离}
③以经验信息外部输入方式，将有序变化特征范围Fnr实例化为：变化过程中状态相对改变的地理实体对象“外来人员”和状态相对不变的地理场景对象“大门”的相对位置关系：
Fnr：min_distance(SOge(外来人员)，SOge(大门))＞0
④根据Ogs语义元数据中变化的各对象状态取值F(Soge)，计算Ogs内容中的事件发生测度PM0：
Figure BDA0002687052460000181
根据以上事件特征和计算流程，可得示例数据中提取的5个地理视频镜头对象的事件发生感知测度分别为：
PM0(C01-01)＝PM0(C01-02)＝1；
PM0(C02-02)＝PM0(Cn-02)＝PM0(Cn-04)＝0
由此可知，示例数据中的地理视频镜头C01-01和C01-02中发生了产生异常变化状态的事件，根据事件的表达规则，分别基于这两个镜头所关联的语义元数据创建原子事件对象。
根据事件发展测度函数的定义，进行地理视频镜头对象间的语义元数据解析，计算事件发展感知测度，其中的关键步骤包括：
①建立面向过程关系理解任务层级递进的事件内容描述标签E：
Figure BDA0002687052460000182
②建立行为过程特征参数与事件标签的映射关系。具体通过首先提取地理视频镜头对象(Ogs)的语义元数据并划分为内容语义元组(Tc)和地理语义元组(Tg)：
Figure BDA0002687052460000183
然后从Tc的相似性和(或)Tg的相关性角度建立从语义特征子集到各层次事件标签E的映射Ru：
Ru＝{r1，r2，…，rn}
Figure BDA0002687052460000191
内容相似性通过内容特征项差值判别；地理相关性通过轨迹运动模式参考位置的时空分布距离和位置概念的层次关系以及联通关系判别。
a)各层次间的尺度划分，通过特征子集{tcn，tgn}及各特征值的差异性体现：根据对事件与变化关系的分析，事件是公共安全监测任务中呈现专题特征的地理视频内容变化集；“随时空尺度扩大而增长的变化集”使变化过程产生了对应不同事件认知层次的专题特征；因而利用决策者能从不同范围变化集中理解的差异性专题特征来表达事件层次，符合人们的直观认知变化过程的需求。同时，
b)各层次间的关联性，通过特征子集tcn，tgn间特征项的内联关系实现。感知测度函数定义中归纳了三类内联关系，包括：i)内在组成关系，ii)区间次序关系，以及iii)细节层次关系。
③解析地理视频镜头间行为过程关系的感知测度，分别考虑关联层次、关联度、关联方向各感知分量：
a)关联层次：基于事件标签层次E和映射Ru判别两两地理视频镜头对象的关联层次。其中，E的设定决定了可能的关系层次属性；映射Ru中的特征参数则作为判定过程关系存在的依据，即当且仅当两两地理视频镜头(Ogs)语义元数据的变化过程参数Pcm(Eoob)/Pcn(Eoob)满足某层次映射rn所建立的特征参数共性关系时，两Ogs间具有该层次的关联性，否则两Ogs不具备该事件层次的过程关系；特别地，两Ogs可能并可以同时满足映射Ru不同层次的关联性，从而具有不同层次的关联关系。具体解析操作，通过依次判别Ogs集合中两两Ogs.SID＝i和Ogs.SID＝j，i≠j在各事件层次的关联性en；并保存满足任一层次事件规则rn的两两Ogs的关联关系为PMd(i，j)，将相应事件层次标签赋值为关系PMd(i，j)的定性关联属性，即PMd(i，j)＝{en}；由此可以构建一个以{Ogs}为顶点集，以{PMd(i，j)}为边集的地理视频镜头变化语义关联图G({Ogs}，{PMd(i，j)})。关联层次的解析为地理视频聚类提供单元聚集的基本依据。
b)关联度与关联方向：基于内容特征参数的相似度和地理特征参数的相关度定义面向关联层次n的Ogs语义距离Dijn表达关联度分量|PMd(EOob)|：
Figure BDA0002687052460000201
其中Δtcn(Pci(EOob)，Pcj(EOob))和Δtgn(Pci(EOob)，Pcj(EOob))分别为两两Ogs语义元数据在rn映射中的内容语义相似度量差和地理语义项相关度量差，其度量值通过各参数的基本参考空间计算；此外，由于PMd具有方向分量：
Figure BDA0002687052460000202
Wc和Wg分别为给内容语义相似度和地理语义相关度在具体Ogs关联度计算时设置的权重。PMd(i，j)的值及有向性使地理视频镜头集合的变化语义关联图转化为有向带权图，从而为地理视频聚类提供类内变化过程有序组织的支撑条件。
基于上述解析流程，可构建待分析地理视频镜头集的具有层次性的元数据语义关联关系。以下仍结合示例数据获取的5个地理视频镜头，进行处理流程的实例阐述：
①面向示例数据的室内安全监控专题，以发生“可疑人员入侵/逃离”异常变化为原子事件层次e0，建立一组层级递进认知可疑人员区域活动的事件内容描述标签E：
+事件层次n＝3；
+事件标签E＝{e0，e1，e2，e3}；
e0＝可疑人员入侵/逃离；
e1＝可疑人员局部多视角监控区域中的活动；
e2＝可疑人员个体持续活动；
e3＝可疑人员间的协作活动；
该示例中事件的层次关联体现在对同类地理实体行为过程由“个体-群体”，由“局部-整体”递进细节层次的认知。
②建立行为过程特征参数与事件标签E的映射关系：‘
a)首先，提取各地理视频镜头内容中表达“人员”的移动行为过程的语义元数据。并划分为内容语义元组(Tc)和地理语义元组(Tg)：
Figure BDA0002687052460000211
根据3.4.3节解析的特征项：
+Tc：“人员”对象的专题对象类型、性别、年龄段、脸型、着装、发型、体型、体表特殊标记，“人员”对象各状态经历的像素位置、空间位置、语义位置(建筑结构部件，室内功能空间)；
+Tg：“人员”行为过程的二维图像轨迹(T2d_OID)、高维几何轨迹(T4d_OID)，以及轨迹局部结构特征、全局统计特征、行为动作模式和地理运动模式。
b)然后，从Tc的相似性和(或)Tg的相关性角度建立从语义特征子集到各层次事件标签E的映射Ru：
Figure BDA0002687052460000212
Figure BDA0002687052460000221
其中，Ogs.：特征对象，OID：所检测到的特征对象的全局唯一标识码，SID：过程标识码，Ogs.SID：检测到的特征对象的地理视频镜头，σ表示判别阈值。
在具体实现过程中，映射条件的判别遵循计算量较小优先原则，以实现快速排出不相关的内容；如示例数据判断中，判别对象类型的计算量小于对轨迹数据对象，因此，Ru各层次映射均以对象类型的判别优先。
③解析地理视频镜头间行为过程关系的感知测度，分别考虑关联层次、关联度、关联方向各感知分量。
a)首先，建立对应各关联层次的地理视频镜头变化语义元数据关联图。根据①和②中行为过程特征参数与事件标签E的映射关系Ru，，实施例中5个地理视频镜头C01-01、C01-02、C02-02、Cn-02、Cn-04可建立如下变化语义元数
据关联图：G({Ogs}，{PMd(i，j)})。
+点集{Ogs}＝{C01-01、C01-02、C02-02、Cn-02、Cn-04}；
+边集{PMd(i，j)}：
+PMd(C01-01，C01-02)：{e3}；
+PMd(C01-01，C02-02)：{e1.e2}；
+PMd(C01-01，Cn-04)：{e2}；
+PMd(C01-02，Cn-02)：{e2}；
+PMd(C02-02，Cn-04)：{e2}；
G({Ogs}，{PMd(i，j)})的图形示意如说明书附图3-(C)：该关联图是地理视频聚类提供单元聚集的基本依据。
b)然后，解析关联度与关联方向。基于内容特征参数的相似度和地理特征参数的相关度定义面向关联层次n为“Ogs语义距离Dijn”表达关联度分量|PMd(EOob)|。其中，内容特征参数为在特征对象中用于表示对象自身属性的参数，地理特征参数为表示特征对象所处地理环境的参数。对于示例数据，以事件流程回放为过程关系的组织目标，因此面向其地理特征相关性解析，即令Wc＝0，Wg＝1；在解析地理相关性的特征上，以时间维为基本度量空间(粒度：秒)，利用轨迹对象的时态关系计算|PMd(EOob)|；同时将关联方向实例化为时序关联，表示为sgn(ΔTij)；sgn(ΔTij)的正负取值决定过程关系的作用方向，由此，示例中的关联度计算公式实例化为：
Figure BDA0002687052460000231
由此，计算并保存语义距离为关联图各边的定量属性，得到带语义距离权值的有向边集PMd(i，j)：
+边集{PMd(i，j)}：
+PMd(C01-01，C01-02)：{(e3，6)}；
+PMd(C01-01，C02-02)：{(e1，5)，(e2，5)}；
+PMd(C01-01，Cn-04)：{(e2，21)}；
+PMd(C01-02，Cn-02)：{(e2，9)}；
+PMd(C02-02，Cn-04)：{(e2，16)}；
其对应的有向带权关联图如说明书附图3-(C)，该图为地理视频聚类提供类内变化过程有序组织的支撑条件。

Claims (8)

1.一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，通过图像采集设备获取地理视频，根据地理视频内容对异常事件进行探测，根据所建立的地理视频异常事件的测度指标得到测度函数，通过测度函数得到的地理视频集中感知事件即为探测结果，包括以下步骤：
构建认知驱动的地理视频异变模型：依据地理视频数据内容建立地理视频数据内容异常变化的事件组，基于事件组实现多层次事件对象形式化异常事件的对象表达，并从地理视频数据的外部整体特征和内部组成特征的角度明确异常事件具有的共性时空结构；
构建地理视频异常分层感知结构：基于地理视频内容变化的异常变化事件组与事件对象表达、共性时空结构，建立基于异常变化发现的事件发生过程感知层和基于变化过程关联的事件发展过程感知层所构成的地理视频异常分层适应性感知结构，从而支持从离散的多地理视频数据内容中获取完整事件信息；
创建地理视频异常事件测度指标：针对多地理视频数据集，构建表达集合特征的定义异常事件的测度指标，所述测度指标由事件的发生感知测度和事件的发展感知测度所构成；
地理视频异常事件测度指标计算：根据构建的测度指标，定义事件的测度函数，从而进行测度的定性与定量表达，实现从地理视频数据集中感知事件并构建多层次事件对象，用于表达异常事件的多层次事件对象即为探测结果。
2.根据权利要求1所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述构建认知驱动的地理视频异变模型包括以下步骤：
1.构建地理视频数据内容异常变化的事件组，具体为：
1.1)专题变化：具体为人类活动和活动依托的地表环境变化；
1.2)地理视频内容变化：具体为通过用于表达有序内容变化的序列地理视频图像增量特征解析以及基于变化语义特征项描述的地理视频图像，并能通过解析与描述的结果中表达地理视频图像中的对象要素状态差异认知的专题变化；
1.3)有序内容变化：令R代表可归纳的专题变化规律，C代表某包含m个连续数据序列的地理视频图像，F代表用于描述C且包含n个特征项的变化语义特征集，F(C)表示C的各项变化语义特征顺序取值集合，其中，fi为第i项特征在目标地理视频图像中的取值序列fi＝{v1,…,vj,…,vm}，vj为fi对应数据序列值j的特征值；则C中的内容变化表示为：F(C)＝{f1…,fi,…,fn}；当且仅当F(C)╞R，称该C为有序变化；
1.4)异常内容变化：称所有不满足专题内容有序变化的C为异常变化，基于步骤1.3)形式化表示为：┐(F(C)╞R)；
1.5)地理视频内容变化的事件或异常事件：具体为局域性异常变化及随时空尺度增长而扩大的全局范围内与异常变化相关变化集的总体呈现模式；
2.多层次事件对象形式化异常事件的对象表达，具体为：
2.1)行为过程对象：面向内容变化实例化行为过程对象，具体将满足有序变化或异常变化分别表达为描述变化过程的行为过程对象实例；其中，行为过程对象所包含的核心要素变化流程具体化为：各项语义特征顺序取值集合F(C)；
2.2)多层次事件对象：针对异常变化分层实例化异常事件为多层次事件对象；
3.构建异常事件具有的共性时空结构：
3.1)外部时间结构：异常事件的外部时间结构构成事件整体所经历的时间范围；
3.2)外部空间结构：异常事件的外部空间结构表现为理解事件整体所涉及的空间范围；
3.3)内部时间结构：异常事件的内部时间结构构成事件发展过程所经历的开始、持续、完成在内的生命周期中的过程阶段；
3.4)内部空间结构：异常事件的内部空间结构表现为事件不同层次发展阶段所涉及的地理位置序列。
3.根据权利要求2所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述步骤2.2)具体为：依次根据多层次事件对象的分类实现：
a)原子事件对象：将满足异常变化分别表达为描述变化呈现模式的原子事件对象实例，其中，
①原子事件对象的核心要素事件规则具体化为：非专题变化规律┐R；
②原子事件对象的构成要素过程集合具体化为：由异常变化实例化的行为过程对象；
b)聚合事件对象：将原子事件对象具有的变化语义特征集F关联的行为过程对象共同表达为描述变化呈现模式的聚合事件对象实例，其中，
①聚合事件对象的核心要素事件规则具体化为：原子事件对象中的事件规则以及变化语义特征集F关联描述；
②聚合事件对象的构成要素过程集合具体化为：原子事件对象中的过程集合及与其具有时空特征和语义特征相关的行为过程对象共同构成的集合。
4.根据权利要求1所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述构建地理视频异常分层感知结构包括以下步骤：
1.基于异常变化发现的事件发生过程感知，具体为：
1.1)定义感知特征：将异常状态作为事件异常变化要素的感知特征；
1.2)执行感知操作：面向异常变化要素的感知特征，执行异常状态发现的感知操作，具体通过依据时序状态解析的方法依次扫描多地理视频数据，对于数据中的每一段连续图像序列，判断其是否满足内容的异常内容变化规则，将每段连续图像序列的第一个异常状态或承接一个正常状态的异常状态作为感知获得的异常触发状态；同时，将每一组连续的异常状态作为感知获得的异常变化发生过程；
1.3)实现对象表达：对于感知到的每个异常变化，根据异常事件的对象表达方式，将其结构化为原子事件对象；
2.基于变化过程关联的事件发展过程感知：
2.1)定义感知特征：将过程关系作为事件与异常变化直接或间接相关的变化要素的感知特征；其中，过程关系可划分为两类：
a)面向变化过程阶段性的内在演化机制关系；
b)面向监控窗口离散性的外在空间整合或时序承接关系；
2.2)执行感知操作：面向过程关系特征，执行变化过程关联的感知操作，具体利用变化过程具有的特征项表达过程关系，并在此基础上，通过具体变化过程特征项取值，判别两变化过程间可能存在的具体关系；
2.3)实现对象表达：对于具有关系的变化过程，根据异常事件的对象表达方式，将与异常变化过程具有关系的变化及该变化关系作为整体，结构化为聚合事件对象。
5.根据权利要求1所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述创建地理视频异常事件测度指标包括以下步骤：
事件的发生感知测度：描述状态的异常性及异常程度；发生测度参数化为PMo；
事件的发展感知测度：描述变化过程的关联，包括关联度、关联方向及关联层次三个测度分量；其中，关联度是表达两变化过程关联的紧密程度的标量，关联方向是表达关联中两变化过程的顺序、约束、控制作用执行方向的矢量，关联层次是表达关联关系尺度的标量；发展测度参数化为PMd。
6.根据权利要求1所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述地理视频异常事件测度指标计算包括以下步骤：
发生测度函数：PMo(Soge)，PMo(Soge)＝F(Soge)–Fnr
F(Soge)是指任一地理视频图像内容状态的参数组F(C)取值，参数组根据事件的内部构成描述参与变化过程的对象状态，具体可分为描述对象自身状态的特征参数，以及描述该对象状态与图像中其他对象的关系参数；
Fnr指与专题变化规律R匹配的状态参数组正常取值变化范围；该状态参数组为上述表达F(Soge)的特征参数与关系参数集合的子集；
当且仅当所有特征参数和关系参数计算分量均为0，测度值PMo为0；不为0的测度值代表了状态的异常，且测度值越大，异常性越大；基于PMo，用于定量感知地理视频内容的异常状态及其异常程度，继而通过感知操作，发现异常变化过程，进而构建原子事件对象；
发展测度函数：PMd(Eoob)，PMd(Eoob)＝Pcm(Eoob)∩Pcn(Eoob)
Pcm(Eoob)与Pcn(Eoob)表示待感知变化过程集合中的任意两个变化过程，每个变化过程根据异常事件的对象表达规则表达为一个行为过程对象，根据行为过程对象的形式化定义，Pcm(Eoob)与Pcn(Eoob)均包含一组具有时间、空间和属性维度特征的参数；
利用发展测度函数PMd(Eoob)用于判别任意两个变化过程是否具有事件理解相关的共性特征，实现关联性的定性判断，完成变化过程的关联；当进一步建立各相关特征要素的可度量的基本空间，则继而通过对两变化过程特征项的逐一度量，定量感知变化过程的关联紧密程度和关联方向，进而实现全局变化过程集的关联表示；更进一步，则通过关联层次划分全局不同层次粒度的关联变化过程集，实现其分层有序表达，从而构建出多地理视频数据的聚合事件对象。
7.根据权利要求6所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述Fnr所涉及的各项参数正常变化范围需至少满足以下两种获取方式之一：
①外部输入方式，即通过外部统计经验值匹配输入的静态获取方式；
②实时计算方式，即面向当前处理的待探测的地理视频数据集，在实时事件感知过程中实时计算的动态获取方式；
其中，实时计算主要采用的统计信息项包括最值、均值、方差、信息熵中的至少一种。
8.根据权利要求6所述的一种基于异常变化建模的多地理视频自适应事件探测方法，其特征在于，所述发展测度函数PMd(Eoob)的计算操作规则针对PMd的关联度、关联作用方向及关联层次三元测度分量分三步执行，具体为：针对关联度，首先，判别Pcm(Eoob)和Pcn(Eoob)是否具有共性特征要素，其中，当指定判断的特征条件时，则根据指定判断的特征条件作识别，否则默认搜索所有要素；然后，对于存在共性特征要素的Pcm(Eoob)和Pcn(Eoob)，对应其内容特征与地理特征分类，分别采用两种基本空间对共性要素进行度量：
(i)对应内容特征的相似性度量空间；
(ii)对应地理特征的相关性度量空间；
在面向地理视频数据集进行变化过程感知时，分别对涉及的内容特征参数和地理特征参数，逐一根据其类型，进行内容一致或地理相同的基本空间构建及以基本空间为参照的关联度定量计算；对于可能存在的多个相关性特征，则采用逐特征相似性或相关性的定量计算，并对各计算结果加权求和实现；
针对关联方向，考虑关联作用具有的方向性，限定参与∩操作符运算的两变化过程Pcm(Eoob)和Pcn(Eoob)不满足运算的交换律，即一般情况下，Pcm(Eoob)∩Pcn(Eoob)≠Pcn(Eoob)∩Pcm(Eoob)；但特别地，当仅存在时间维度的顺序关联时，有Pcm(Eoob)∩Pcn(Eoob)＝-Pcn(Eoob)∩Pcm(Eoob)；
针对关联层次，由于关联层次分量是对事件认知尺度的表达，而尺度的划分决定于过程关联所体现出的不同特征，因此，利用∩所解析的共性特性表达关联层次，使不同的层次具有次序性和耦合性，其中，层次间由低至高的次序性基于共性特征的以下原则确定：
(i)局部特征到全局特征；
(ii)个体特征到群体特征；
同时，层次间的耦合性，基于共性特征的以下三类关系表达：
(i)内在组成关系；
(ii)区间次序关系；
(iii)细节层次关系。
CN202010979507.1A 2020-09-17 2020-09-17 一种基于异常变化建模的多地理视频自适应事件探测方法 Active CN112215083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010979507.1A CN112215083B (zh) 2020-09-17 2020-09-17 一种基于异常变化建模的多地理视频自适应事件探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010979507.1A CN112215083B (zh) 2020-09-17 2020-09-17 一种基于异常变化建模的多地理视频自适应事件探测方法

Publications (2)

Publication Number Publication Date
CN112215083A true CN112215083A (zh) 2021-01-12
CN112215083B CN112215083B (zh) 2021-11-09

Family

ID=74049956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010979507.1A Active CN112215083B (zh) 2020-09-17 2020-09-17 一种基于异常变化建模的多地理视频自适应事件探测方法

Country Status (1)

Country Link
CN (1) CN112215083B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034212A (zh) * 2010-06-21 2011-04-27 艾浩军 一种基于视频分析的城市管理系统
CN103413321A (zh) * 2013-07-16 2013-11-27 南京师范大学 地理环境下的群体行为模式分析与异常行为检测方法
CN103530995A (zh) * 2013-10-12 2014-01-22 重庆邮电大学 基于目标空间关系约束的视频监控智能预警系统及方法
CN105354247A (zh) * 2015-10-13 2016-02-24 武汉大学 一种支持存算联动的地理视频数据组织管理方法
CN105630897A (zh) * 2015-12-18 2016-06-01 武汉大学 一种内容感知的地理视频多层次关联方法
CN106682313A (zh) * 2016-12-29 2017-05-17 华南师范大学 一种基于时空二维的视频布局规划方法
CN109508671A (zh) * 2018-11-13 2019-03-22 深圳龙岗智能视听研究院 一种基于弱监督学习的视频异常事件检测系统及其方法
CN111538776A (zh) * 2020-03-19 2020-08-14 浙江中海达空间信息技术有限公司 多层认知约束的高维地理空间数据聚焦可视化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034212A (zh) * 2010-06-21 2011-04-27 艾浩军 一种基于视频分析的城市管理系统
CN103413321A (zh) * 2013-07-16 2013-11-27 南京师范大学 地理环境下的群体行为模式分析与异常行为检测方法
CN103530995A (zh) * 2013-10-12 2014-01-22 重庆邮电大学 基于目标空间关系约束的视频监控智能预警系统及方法
CN105354247A (zh) * 2015-10-13 2016-02-24 武汉大学 一种支持存算联动的地理视频数据组织管理方法
CN105630897A (zh) * 2015-12-18 2016-06-01 武汉大学 一种内容感知的地理视频多层次关联方法
CN106682313A (zh) * 2016-12-29 2017-05-17 华南师范大学 一种基于时空二维的视频布局规划方法
CN109508671A (zh) * 2018-11-13 2019-03-22 深圳龙岗智能视听研究院 一种基于弱监督学习的视频异常事件检测系统及其方法
CN111538776A (zh) * 2020-03-19 2020-08-14 浙江中海达空间信息技术有限公司 多层认知约束的高维地理空间数据聚焦可视化方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHEN WU等: "Movement-Oriented Objectified Organization and Retrieval Approach for Heterogeneous GeoVideo Data", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 *
YAN ZHOU等: "Spatial-temporal reasoning of Geovideo data based on ontology", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 *
何峰等: "大规模地理视频数据管理工具的设计与实现", 《地理信息世界》 *
江荣贵: "基于地理视频的人群状态分析", 《中国优秀硕士论文全文数据库信息科技辑》 *
谢潇: "语义感知的地理视频大数据自适应关联组织方法", 《测绘学报》 *
谢潇等: "多层次地理视频语义模型", 《测绘学报》 *

Also Published As

Publication number Publication date
CN112215083B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
Riveiro et al. Improving maritime anomaly detection and situation awareness through interactive visualization
CN105630897B (zh) 一种内容感知的地理视频多层次关联方法
Wang et al. SVStream: A support vector-based algorithm for clustering data streams
US7529722B2 (en) Automatic creation of neuro-fuzzy expert system from online anlytical processing (OLAP) tools
Kumar et al. A visual-numeric approach to clustering and anomaly detection for trajectory data
Wiliem et al. A suspicious behaviour detection using a context space model for smart surveillance systems
US9576223B2 (en) Method and system for evaluating the resemblance of a query object to reference objects
Sun et al. Understanding architecture age and style through deep learning
Wang et al. Finding patterns with a rotten core: Data mining for crime series with cores
Cai et al. Spatial outlier detection based on iterative self-organizing learning model
WO2019129520A1 (en) Systems and methods for combining data analyses
Höferlin et al. Uncertainty-aware video visual analytics of tracked moving objects
Dargie The role of probabilistic schemes in multisensor context-awareness
Hagenauer et al. SPAWNN: A toolkit for spatial analysis with self‐organizing neural networks
Brax Anomaly detection in the surveillance domain
Grekousis et al. A fuzzy index for detecting spatiotemporal outliers
Yao et al. Prediction of crime hotspots based on spatial factors of random forest
Bhatia et al. Analysis on different Data mining Techniques and algorithms used in IOT
CN112215083B (zh) 一种基于异常变化建模的多地理视频自适应事件探测方法
Ounifi et al. New 3d visualization and validation tool for displaying association rules and their associated classifiers
Kasimov et al. Methods and tools for developing decision rules for classifying objects in aerial images
Arslan et al. Exploiting semantic trajectories using HMMs and BIM for worker safety in dynamic environments
Matapurkar et al. Comparative analysis for mining fuzzified dataset using association rule mining approach
Bershadsky et al. Theoretical and Technological Perspectives on Development of Information Monitoring System for Solving Complex Problems
Andrienko et al. Human-in-the-Loop: Visual Analytics for Building Models Recognising Behavioural Patterns in Time Series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant