·334 智能系统学报 第7卷 关注，成为了智能监控中非常具有实际应用价值的 频中事件的发生.图1是提出的监控视频事件检测 研究问题. 算法框图 近年来，随着智能视频监控越来越多地受到重 运动受关 视，监控视频中的事件检测技术研究已经取得很大进 区域检测 输入 觉 关键 展.Jiang等采取了对目标的检测和追踪的方法，将单 视频 关锭顿 节 选取 懒序 一物体的运动轨迹定义为视频的一个事件，通过轨迹 序列 形成 降态受关 线聚类来区分正常事件和非正常事件.但是这种定义 这域检测 忽略了视频的一些时间和空间信息[.Liu等提出了 受关 报警 一种基于运动方向统计的异常事件检测方法，他们通 事件 提示 过对视频中的连续帧进行分析，采用颜色、纹理、运动 图1监控视频事件检测算法 等低级特征对视频中的事件进行描述，进而从监控视 Fig.1 The framework of the proposed event detec- 频中辨别出异常事件.但是，仅仅靠低级特征表征视 tion algorithm of surveillance video 频中的事件是远远不够的，需要采用基于人类视觉系 2 统的高级语义特征才能对视频内容进行最准确的描 算法分析 述2].因此，研究者们开始从视觉关注的角度来弥补 2.1 视觉关注模型 视频的高级语义特征和低级语义特征之间的鸿沟。 视觉关注是视觉信息处理过程中一个非常重要 Jiang等提出由视觉关注值表征人眼对视频内容的关 的方面.当视网膜拥有整个场景时，注意力只集中在 注程度的方法，他们采用K均值聚类，选出视觉关注 一个或为数很少的几个区域，这几个区域就是图像 值最高的帧作为关键帧，以关键帧来描述视频中事件 的受关注区域，它们代表了人眼的视觉关注点，而受 的内容).Lai等则通过运动、颜色、纹理等特征，形成 关注区域的提取是建立在视觉关注模型基础之上 静止和运动相结合的显著图，从而形成视觉关注曲 的.视觉关注模型是根据人的视觉注意机制而建立 的模型，它利用视觉注意机制得到图像中最容易引 线；然后利用时间限制的聚类方法来提取关键帧从而 起注意的显著区域，并通过将这些显著区域的显著 表征视频中的事件[4.这些方法在视频中的事件检测 性用灰度值表示来构成显著图 和事件描述方面都取得了较好的结果，但是这些方法 研究表明，人类的视觉感知系统对于静止图像 大多需要对整段视频进行分析，因此很难达到事件的 中差异明显的区域更为关注，对于图像序列中运动 实时检测 的部分也更加关注.因此，将视频的动态关注模型和 针对上述问题，文章从人的视觉关注特性出发， 静态关注模型结合形成最终的视觉关注模型，通过 将视觉关注的转移作为事件检测的依据，针对现有的 视觉关注模型来提取视频帧中的受关注区域。 大多数算法在突发事件检测实时性方面的局限性，提 2.1.1动态关注模型 出了一种关键帧触发的、能够对视频内容的变化准确 由于人眼往往对运动的目标更加关注，同时运 描述的事件检测方法.该方法将视觉上动态和静态的 动目标能够体现视频在时域上的信息，所以动态关 视觉关注模型进行融合，通过视觉关注模型来提取视 注模型的提取过程实际上就是对视频序列中运动目 频帧中的受关注区域，根据连续帧中的最受关注区域 标的检测过程.在运动目标的检测过程中，使用文献 的变化来确定人眼视觉关注点的转移，形成视频关注 [3]中所提到的基于块的LK光流算法计算视频各 节奏，根据关注节奏的变化强度来选取关键帧，通过 帧的光流，同时为了弥补运动目标检测中出现的阴 关键帧表明事件发生的时刻，从而触发对受关注事件 影问题，在LKtm光流算法的基础上，应用混合高 的提示.实验结果表明，根据文章提出的算法提取的 斯背景建模技术，得到每帧的运动前景G 关键帧能够准确地表示监控视频中特征事件的开始 将LK光流算法得到的运动区域跟混合高斯背景 时刻，并且关键帧的提取是实时的 建模技术获得的运动前景进行膨胀和腐蚀运算，然后 进行归一化形成最终的动态关注模型T。: 1事件检测算法 T=dilatation(LKmi,G), (1) Tm=erosion(T). (2) 关键帧是指从原始视频中提取的能够代表视频 式中：T是二值图像，运动区域的像素值为1，静止 内容的图像集合，它常被用于视频检索及视频摘要 区域的像素值为0. 领域5)，而文中提取的关键帧则是用来表征监控视