第4期 张丽坤，等：视觉关注转移的事件检测算法 ·337· 图5是视频所对应的视觉关注节奏曲线，可以 看出，在选定的帧中，各帧之间有比较频繁的视觉转 移量的起伏变化，说明视觉转移一直在发生，事件一 直在进行，符合2.3中提到的第1种形式.在这种情 况下，到达某个时刻时视觉转移量突然增加，表明这 个时刻可能会有新事件的出现.这个视频相邻2帧 ()第2个人开始拿起物休 ⑨第2个人拿起物休 之间的转移所花时间大约是0.00414s,也能证明该 方法的实时性.图6是根据图5选择的关键帧.可以 看出人物出现（图6(a)、行走（图6(b))、返回自 己座位（图6(c))等一系列关键动作都被检测出 来 4 g)第1个人离开时刻 )第2个人离开时刻 结束语 图4门限值为10时枧频“hall"中选出的关键帧 提出了一种基于视觉关注转移的关键帧提取的 Fig.4 The extracted key frames when the threshold is 10 事件检测算法，首先采用LK光流算法和混合高斯 此外，又选用了实验室监控视频对算法进行验 建模技术检测视频帧中的运动区域，进而获得视频 证.这个视频各帧的mean(Tm)比“Hall Monitor'”视 帧的动态关注模型；同时，对视频中各帧提取静态关 频的大，说明这个视频中运动区域较多，运动更为复 注模型；将这2类关注模型融合得到视频帧的视觉 杂，这里通过对视频运动量的统计计算，设定视觉转 关注模型，通过视觉关注模型来提取视频帧中的受 移量的门限值为10.实验结果如图5和图6. 关注区域；然后根据连续帧中的最受关注区域的变 15 化来确定人眼视觉关注点的转移，获得视觉关注节 奏；最后根据视觉关注节奏中视觉转移量的大小选 定关键帧，在关键帧出现的时刻进行报警或提示，以 此来表征受关注事件的发生.在下一步工作中，将研 究视觉转移量阈值的自适应设定方法.文中提出的 方法能够较好地表征受关注事件的发生，但是需要 进一步改进以应对更加复杂的视频监控场景。 100 200300400500 参考文献： 帧数 [1]JIANG F,WU Y.A dynamic hierarchical clustering method 图5实验室监控视频的视觉关注曲线 for trajectory-based unusual video event detection[J].IEEE Fig.5 The curve of visual attention Transactions on Image Processing,2009,18(4):907-913. [2]LIU C,WANG G J,NING W X,et al.Anomaly detection in surveillance video using motion direction statistics[C] IEEE International Conference on Image Processing.Hong Kong,China,2010:717-720. [3]JIANG P,QIN X L.Keyframe-based video summary using visual attention clues[J].IEEE Transactions on Multimedi- a人物出现刑烫 )人物行走时刻 a,2010,17(2):64-73. [4]LAI J L,YI Y.Key frame extraction based on visual atten- tion model[J].Joural of Visual Communication and Image Representation,2012,23(1):114-125. [5]AMIRI A,FATHY M,NASERI A.Key-frame extraction and video summarization using QR-decomposition [C]// IEEE International Conference on Multimedia Technology G)人物返回自己座位 and Applications.Wuhan,China,2010:134-139. 图6实验室监控视频中选出的关键帧 [6]ZHANG J,SUN J D,YAN H,et al.Visual attention model Fig.6 The extracted key frames with cross-layer saliency optimization [C]//IEEE Intera- tional Conference on Intelligent Information Hiding and Mul-