CN102385705A - 利用多特征自动集群法的异常行为侦测***与方法 - Google Patents

Abstract

本发明提供一种利用多特征自动集群法的异常行为侦测***与方法，通过各监控数据所取得的特征组合成特征组，如从监控影像中所撷取的多样特征，经机器学习算法处理分析后，建立正常行为及异常行为模型，在一实施例中，低出现频率的行为可被视为异常行为。本发明亦可采用监督式学习，在自动分类产生的行为模型中由人工定义异常行为模型，使异常行为侦测符合使用者需求。行为模型建立后，即可依撷取的各种特征自动分类为正常行为或异常行为。本发明适用于侦测各种交通异常行为，如闯红灯、未依规定车道行驶及未依规定方向行驶等交通违规行为侦测。

Description

利用多特征自动集群法的异常行为侦测***与方法

技术领域

本发明关于一种利用多特征自动集群法的异常行为自动侦测***与方法，特别是关于一种利用影像分析方式侦测交通异常行为的方法。

背景技术

异常行为是指不合常规或罕见的行为，异常行为侦测其目的即为侦测出对象如人或车辆等，是否发生不合常规或罕见的行为，例如行人违规穿越马路或车辆违反交通规则。异常行为侦测是当前自动视讯数据检索与内容分析的主要议题之一，其用途在于异常闯入行为侦测、居家老人安全监测、邻里巷弄安全监视等。

在目前的已知技术中，异常行为侦测大都使用单一特性的特征作为辨识是否为异常行为的考虑依据，例如：在异常闯入行为侦测中，使用出现于影像中的移动讯息作为判定对象在影像中是否依照正常轨迹行进，若运动行为违反正常轨迹，此行为则辨识为异常行为。但在现实环境中，异常行为或是违法行为往往需要多种特征描述，方可确定这类行为是异常或是违法行为。因此，有效地合并各种有意义的特征数据，可以提高异常行为侦测的正确性及其应用范围。

异常行为侦测的用途相当广泛，其侦测目的是找出违反常规的行为，而交通异常行为通常即为交通违规行为，因此异常行为侦测相当适用于交通违规行为的侦测。以侦测闯红灯交通违规行为为例，现行做法是在道路埋设线圈并配合红绿灯交通号志，当车辆在红灯状态通过线圈埋设位置时便会触发搜证设备，如相机或其它摄影装置，以取得车辆闯红灯时的影像。此侦测方式需施工挖掘道路以埋设线圈，不但费时且维护费用昂贵。

发明内容

不同于已知技术提出的异常行为侦测技术，本发明提出一种利用多特征自动集群法的异常行为侦测方法，仅需能取得道路监控影像的拍摄装置，不必挖开路面埋设线圈，可节省施工成本和维护成本。且本发明利用多特征自动集群法，让异常行为侦测***通过学习的方式，能自动分辨出正常行为与异常行为，即便是在复杂的交通法规或不同的环境下，仍可侦测出异常行为，不需为不同环境下设定各种判断条件，可大幅提升***的应用范围和实用性。

利用多特征自动集群法的异常行为侦测***主要是通过数字影像分析辨识技术，从监控影像中撷取出各对象的多样特征，配合人工智能的机器学习技巧，将对象行为予以分群并建立行为模型，比如，若特定一种行为出现的机率低于默认值，则该行为可视为异常行为。通过此方式，本发明可在经过一段学习时间后，自动判断哪种行为属于异常行为，并进一步侦测出该异常行为的发生。本发明更可结合监督式学习方法，明确定义何种行为属于异常行为并予以侦测。

利用多特征自动集群法的异常行为侦测***可应用于闯红灯交通违规行为侦测，不受限于红绿灯交通号志的显示复杂度影响，通过与行为模型的比对，能得知何种行为属于异常行为并进行侦测。***还可进一步结合监督式学习方法，明确定义何种行为属于交通违规行为。

本发明所提供的利用多特征自动集群法的异常行为侦测***，可应用于交通异常行为的侦测，例如闯红灯交通违规行为的侦测、未依规定车道行驶交通违规行为的侦测、未依规定方向行驶交通违规行为的侦测等。同时，通过撷取不同的特征，本发明也可适用于其它异常行为的侦测，如特定区域入侵侦测、列车轨道闯入侦测等。

附图说明

图1显示为本发明利用多特征自动集群法的异常行为侦测***的实施例架构图；

图2A显示为利用本发明多特征自动集群法的异常行为侦测方法中建立行为模型的步骤流程；

图2B显示为利用本发明多特征自动集群法的异常行为侦测方法中判断异常行为的步骤流程；

图3所示为本发明利用多特征自动集群法的异常行为侦测***应用于闯红灯交通违规行为侦测的实施例；

图4显示为利用本发明应用于交通行为侦测中建立行为模型的步骤流程；

图5所示为本发明应用于闯红灯交通违规行为侦测的实施例示意图之一；

图6所示为本发明应用于闯红灯交通违规行为侦测的实施例示意图之二；

图7显示为利用本发明监督式学习的实施例流程。

主要组件符号说明

特征撷取单元 11         行为模型建立单元 13

行为判断单元 15         输出单元 17

监控资料 101            分类参数 103

影像序列 301            分类参数 303

特征撷取单元 31         行为模型建立单元 33

行为判断单元 35         输出单元 37

空间特征撷取模块 310    时间特征撷取模块 312

交通号志状态侦测子单元 310a

车辆位置侦测子单元 310b

车辆型态侦测子单元 310c

车辆轨迹侦测子单元 312d

交通号志 51             群体一 53

群体二 55               群体三 57

交通号志 61             群体 63

群体五 65               群体六 67

步骤S201～S213建立行为模型的步骤

步骤S215～S221判断异常行为的步骤

步骤S401～S415建立行为模型的步骤

步骤S701～S709监督式学习的步骤

具体实施方式

为使本发明的实施例要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

请参考图1所示，有关本发明所提供的利用多特征自动集群法的异常行为侦测***的实施例架构图。本发明实施例中包含有一特征撷取单元11、一行为模型建立单元13、一行为判断单元15，及一输出单元17。本发明特别使用特征撷取单元11撷取监控数据101中有特殊涵义的特征数据，形成一个特征组(group)，包括有关一或多个对象的特征及跟对象无关的环境特征，使用行为模型建立单元13取得特征撷取单元11所撷取的特征组结果，参照依需求设定的分类参数103，将各特征组依据特征相似度进行分群分析，再以学习的方式，建立并更新行为模型。行为模型建立之后，行为判断单元15依据取得的特征组结果及行为模型，以判断各对象的行为是否属于异常行为，最后，输出单元17接着输出行为模型建立单元13产生的行为模型数据及行为判断单元15对对象行为的判断结果。

在一实施例中，可同时参照图2A显示的利用多特征自动集群法的异常行为侦测方法中建立行为模型的步骤流程，本发明所提供的利用多特征自动集群法的异常行为侦测***，先输入监控数据(步骤S201)，其中主要是输入由监控环境中所架设的各项感应装置产生的监控数据101。接着由特征撷取单元11撷取出监控数据101中各对象的特征及跟对象无关的环境特征(步骤S203)，并暂存于内存中。经特征撷取单元11依据各监控资料的不同，撷取所需的特征数据并集合成一特征组(步骤S205)，先暂存于内存，再将特征组结果传送至行为模型建立单元13及行为判断单元15(步骤S207)，由行为模型建立单元13进一步分析并建立行为模型，并由行为判断单元15作异常行为的判断。

行为模型建立单元13可引入分类参数103(步骤S209)，再依据特征撷取单元11所得的特征组，对各种特征数据进行相似特征分群分析(步骤S211)，其中是将各对象的行为依据特征组相似度进行分群分析，将多个对象的行为区分为多个群体，再依据分群结果的各群体机率分布，进行分析以建立该行为模型。所得分群结果，属于相同分群的各对象皆有相似的环境特征、运动轨迹、空间特征或对象特征。行为模型建立单元13再对分群结果以学习的方式，建立并更新对象的行为模型(步骤S213)，其中行为模型为集合一段时间内多个对象的多个特征组所产生，也就是针对各种行为建立相对的特征组数据库，以便日后判断对象行为分类。图2A所描述的步骤流程可于***运作时持续工作，能够随时建立或是更新行为模型，而行为模型可先暂存于内存或是一数据库中。

之后，可再参考图2B所描述判断异常行为的步骤流程，行为判断单元15先引入特征撷取单元11所取得的特征组及行为模型建立单元13所提供的行为模型(步骤S215)，分析各对象的特征组是否符合行为模型(步骤S217)，目的是通过判断出各对象行为是否为异常行为(步骤S219)。之后，行为判断单元15所判断出的对象行为数据将传送至输出单元17。最后输出单元17将所得的相关数据予以输出(步骤S221)。

在本发明实施例中，各项感应装置(比如数字摄影机、照相机、各式感应器等)所产生的监控数据，可包含交通号志状态数据，或监控影像数据，或任何其它具明显特征可供特征撷取单元11用以撷取特征用的数据。以交通号志状态数据作为监控数据为例，***可连结交通号志讯号线，由特征撷取单元直接撷取目前交通号志的灯号状态作为环境特征。若以监控影像数据为例，特征撷取单元11利用影像分析技巧，撷取影像数据中有特殊涵义的特征数据，以及成像于影像中的对象在影像序列中的连续变化行为，这些需要撷取特征数据的影像区域可由人工事先设定，亦可由***经由影像分析的方式自动取得。其中，影像数据中有特殊涵义的特征数据，在一较佳实施例中，可为影像中的交通号志灯号状态或警告号志灯号状态或影像中的对象型别。而成像于影像中的对象在影像序列中的连续变化行为，则可包含静止无动作、停止、移动路径等连续变化行为。

在本实施例中，特征组是由对象相关的特征(如对象位置及对象轨迹)及跟对象无关的环境特征(如灯号状态)，经特征撷取单元撷取后组合而成。

在本实施例中的行为模型建立单元13，在一实施方式中，可采用非监督式学习(unsupervised learning)方式，利用特征撷取单元11所取得的特征组结果，将各对象行为依据特征相似度进行分群分析，所得结果同一分群内的对象行为皆具有相似的特征组，行为模型建立单元13再依据分群结果的各群体机率分布，进行分析并建立行为模型，比如依据特定行为产生的频率高或低来分群，频率低者可分群为异常行为。本实施例中的行为模型建立单元13，在另一实施方式中，亦可采用监督式学习(supervised learning)方式，依据使用者指定的分类参数数据进行监督式学习，进而取得使用者所需的行为模型，明确指定何种行为属于异常行为。

本实施例中，输出单元17可为一储存设备，或为一显示设备，或为一传输设备，或为上述设备的任意数量之组合，其目的在于提供异常行为的实时警示或储存数据作为事后举发使用。

本发明所提供的利用多特征自动集群法的异常行为侦测***，可应用于多种异常行为侦测应用中，例如居家安全监控、邻里巷弄安全监控、交通违规行为监控。在此以一闯红灯交通违规行为侦测的应用为例。

请参考图3所示，有关本发明所提供的利用多特征自动集群法的异常行为侦测***应用于闯红灯交通违规行为侦测的实施例。在本实施例中，闯红灯交通违规行为侦测***中的特征撷取单元31，其中具有分别处理空间信息的空间特征撷取模块310与时间信息的时间特征撷取模块312，空间特征撷取模块310用来撷取监控资料上有关空间的相关特征数据，其中又包含交通号志状态侦测子单元310a、车辆位置侦测子单元310b及车辆型态侦测子单元310c，时间特征撷取模块312用来撷取监控资料上有关时间的相关特征数据，其中包含车辆轨迹侦测子单元312d。

同时参考图4所示的本发明实施例行为模型建立方法流程图。本发明所提供的闯红灯交通违规行为侦测***，将监控环境中产生的影像序列301输入至特征撷取单元31(步骤S401)，由特征撷取单元31中的空间特征撷取模块310及时间特征撷取模块312利用影像分析程序(步骤403)，分别撷取影像序列301中的空间特征及时间特征。其中，空间特征撷取模块310中的交通号志状态侦测子单元310a、车辆位置侦测子单元310b及车辆型态侦测子单元310c经分析后，至少得到目前交通号志灯号的状态及车辆(一或多部)在影像上的位置，更可通过车辆的形状、大小侦测出车辆的型态，比如分辨出公共汽车、一般轿车、卡车与机车(步骤S405)。时间特征撷取模块312中的车辆轨迹侦测子单元312d则利用车辆位置在连续时间轴上的分布情形，分析得到车辆行进轨迹(步骤S407)。

特别的是，特征撷取单元31将所取得的各项特征集合成一特征组(步骤S409)，再传送至行为模型建立单元33及行为判断单元35，通过多次侦测与影像分析建立多个特征组，之后可由行为模型建立单元33进一步分群分析(步骤S411)并建立和/或更新行为模型(步骤S413)，并之后由行为判断单元35作异常行为的判断。

此例中，行为模型建立单元33接收到特征撷取单元31所取得的特征组后，对各种特征组数据持续进行相似特征分群分析，所得分群结果，属于相同分群的各对象皆有相似的环境特征、运动轨迹、空间特征或对象特征。在一具体实施方式中，特征组分群结果可包含「交通号志灯号状态为绿灯且车辆行进轨迹为直行」、「交通号志灯号状态为红灯且车辆行进轨迹为停止」及「交通号志灯号状态为红灯且车辆行进轨迹为直行」，但不受限于上述结果。行为模型建立单元33根据分群结果，再以学习的方式，建立并持续更新对象的行为模型。

在一较佳实施例中，行为模型建立单元33可采用非监督式学习方式，将各对象的行为依据特征组相似度进行分群分析，将多个对象的行为区分为多个群体，依据分群之后的各群体的机率分布，将发生机率高于临界值的行为群组，认定为正常行为，并根据该群组的行为特征组建立出正常行为模型；反之，亦可将发生机率低于临界值的行为群组，认定为异常行为，并根据该群组的行为特征组建立出异常行为模型，其中临界值可为人工事前设定，或经由学习的方式自动取得。行为模型建立单元所建立的行为模型数据，再传送至行为判断单元，作为异常行为判断的依据。

行为判断单元35将目前对象的特征组与建立好的行为模型作比对，若对象的特征组数据经分析比对后符合正常行为模型，则判断该对象行为属于正常行为；反之，若该对象的特征组数据经分析比对后不符合正常行为模型，或该对象的特征组数据经分析比对后符合异常行为模型，则判断该对象行为属于异常行为。行为判断单元35的判断结果，将传送至输出单元37，由输出单元作输出或储存的动作。

在本发明实施例中，***是利用影像分析的方式取得交通号志灯号状态，在另一实施例中，***亦可直接连结交通号志讯号线，直接取得交通号志灯号状态。

请参考图5所示，有关本发明所提供的利用多特征自动集群法的异常行为侦测***应用于闯红灯交通违规行为侦测的进一步说明。本实施例中，在一交通路口设置一交通号志51，至少包含红灯、黄灯、绿灯三种灯号状态，在此则以交通号志51在红灯状态时为例。

一个交通路口的各行车行为包括有多种特征，在交通号志为禁止通行状态(红灯状态)时，亦即特征撷取单元所取得的其中一个特征为禁止通行状态(红灯状态)时，本***的行为模型建立单元所得到的特征组分群结果包含「禁止通行状态(红灯状态)且车辆行为为停止」的群体一(53)，「禁止通行状态(红灯状态)且车辆行为为直行」的群体二(55)，与「禁止通行状态(红灯状态)且车辆行为为右转」的群体三(57)。

经行为模型建立单元分析各行为群组机率分布后，根据分析学习结果，在红灯禁止通行状态下，多数欲直行的车辆会停止，此归类为群体一(53)，因群体一(53)的行为出现机率较高，故行为模型建立单元将群体一(53)归类为一正常行为模型；而在红灯禁止通行状态下，群体二(55)及群体三(57)则有可能发生，但因为出现机率较低，则归类为异常行为模型。***的行为判断单元会根据行为模型建立单元所建立的行为模型，将目前对象的特征组与各行为模型比对，若对象的特征组数据经分析比对后符合正常行为模型，亦即在此例红灯禁止通行状态下，群体一(53)，则行为判断单元会判断该对象行为属于正常行为。若对象的特征组数据经分析比对后不符合正常行为模型，亦即不符合群体一(53)，或对象的特征组数据经分析比对后符合异常行为模型，亦即群体二(55)或群体三(57)，则行为判断单元会判断该对象行为属于异常行为。

根据此实施例，也就是说，若一车辆在红灯状态时停止于停止线前，则该车辆行为会被判断为正常行为；若该车辆在红灯状态时仍继续直行或右转，则该车辆行为会被判断为异常行为并被侦测出来。若该车辆在红灯状态时左转，则该车辆行为经行为判断单元判断不符合正常行为模型，则会被判断为异常行为并被侦测出来。本***通过侦测异常行为的发生，达到侦测闯红灯交通违规行为的功效。本实施例中仅以交通号志灯号为红灯状态时举例说明，实际应用时，交通号志其它灯号状态下的对象行为，亦可用本发明所提出的方法，建立出行为模型并作异常行为的判断及侦测。

请参考图6所示，有关本发明所提供的利用多特征自动集群法的异常行为侦测***应用于闯红灯交通违规行为侦测的另一实施例。本实施例中，在一交通路口设置一交通号志61，灯号至少包含红灯、黄灯、绿灯、右转绿灯四种灯号，在此以交通号志61的灯号状态为红灯及右转绿灯同时亮起的状态为例。在此实施例中，当交通号志61的灯号状态为红灯及右转绿灯灯号同时亮起时，也就是在红灯但可右转的状态下，禁止直行车通行，表示车辆直行行为及车辆左转行为将被视为闯红灯交通违规行为，而车辆右转行为则为合法行为，不视为闯红灯交通违规行为。

由图6可以得知，本实施例中***的行为模型建立单元在交通号志为红灯(禁止通行状态)及右转绿灯(可通行状态)灯号同时亮起的状态下，亦即特征撷取单元所取得的其中一个特征为红灯及右转绿灯同时亮起状态，所得到的特征组分群结果，包含有「红灯及右转绿灯同时亮起状态且车辆行为为停止」的群体四(63)，「红灯及右转绿灯同时亮起状态且车辆行为为直行」的群体五(65)，与「红灯及右转绿灯同时亮起状态且车辆行为为右转」的群体六(67)。行为模型建立单元根据分群结果，再以学习的方式，建立并持续更新对象的行为模型。其中，群体六(67)「红灯及右转绿灯同时亮起状态且车辆行为为右转」的行为群组出现机率虽低，根据禁止通行但可右转的灯号的规定下，该行为仍属于合法行为。

为了使闯红灯交通违规行为侦测***可以明确的侦测出交通违规行为，避免因取得轨迹资料数据偏低时，行为判断单元可能将合法行为判断为异常行为。故此，在一实施方式中，行为模型建立单元可采用监督式学习方式，依据使用者指定的分类参数数据，将特定群组认定为正常行为，并根据该群组的行为特征建立出正常行为模型。同时，亦可将特定群组认定为异常行为，并根据该群组的行为特征建立出异常行为模型。本实施例中，群体六(67)为禁止通行状态可右转，故群体四(63)及群体六(67)经监督式学习方式，根据使用者指定的分类参数数据被设定为正常行为模型，群体五(65)被设定为异常行为模型。

在本实施例中，若一车辆在红灯及右转绿灯灯号同时亮起状态时停止于停止线前，则该车辆行为会被判断为正常行为；若该车辆在红灯及右转绿灯灯号同时亮起状态时右转，该车辆行为经行为判断单元判断符合正常行为模型，会被判断为正常行为。若该车辆在红灯及右转绿灯灯号同时亮起状态时直行或左转，则该车辆行为经行为判断单元判断不符合正常行为模型，则会被判断为异常行为并被侦测出来。本***通过使用者分类参数的设定，可正确侦测到交通违规行为的发生并避免误判。本实施例中仅以交通号志灯号为红灯及右转绿灯灯号同时亮起状态时举例说明，实际应用时，交通号志其它灯号状态下的对象行为，亦可用本发明所提出的方法，建立出行为模型并作异常行为的判断及侦测。

请参考图7，有关本发明于建立及更新行为模型的过程中引入分类参数的监督式学习的步骤。

如步骤S701，于开始时，由输入的监控数据中撷取出特征，产生出用于判断行为是否异常的特征组。接着，***将引入依需求设定的分类参数(步骤S703)，再依据所得的特征组，对各种特征数据进行相似特征分群分析(步骤S705)，将多个对象的行为区分为多个群体。此时再参照分类参数，依需要给予各群体作监督校正的动作(步骤S707)，例如将某特定群体强制设定为正常行为模型，或将某特定群体强制设定为异常行为模型，并依此结果建立并更新行为模型(步骤S709)。

上述的方法可应用于各种行为侦测，应用本发明多特征自动集群法的异常行为侦测***，除了可以应用于闯红灯交通违规行为侦测外，亦可应用于其它交通违规行为的侦测，如未依规定车道行驶的交通违规行为侦测、未依规定方向行驶的交通违规行为侦测。以未依规定车道行驶的交通违规行为侦测为例，在一较佳实施例中，***中的特征撷取单元可取得车辆行为轨迹及车辆型态等特征，并将这些特征组合成特征组，由行为模型建立单元进行分群及建立行为模型，并由行为判断单元判断异常行为的发生。在一具体实施方式中，行为模型建立单元的分群结果可包含「汽车行驶于车道一」的群体甲、「机车行驶于车道一」的群体乙、「汽车行驶于车道二」的群体丙、「机车行驶于车道二」的群体丁，其中车道一为禁行机车的快车道，车道二为汽车及机车皆可通行的慢车道。***可采用非监督式学习的方式，经学习后将群体甲、群体丙、群体丁建立为正常行为模型，将群体乙建立为异常行为模型。***亦可采用监督式学习的方式，直接定义群体乙为待侦测的交通违规行为，经监督式学习后，将群体甲、群体丙、群体丁建立为正常行为模型，将群体乙建立为异常行为模型。当一机车行驶于禁行机车的快车道时，本发明所提出的利用多特征自动集群法的异常行为侦测***，即可侦测出该交通违规行为。

本发明所提供的利用多特征自动集群法的异常行为侦测***，与前述已知技术相比较时，还具有下列优点：

1.通过学习的方式，***能自动分辨出正常行为与异常行为，即便是在复杂的交通法规或不同的环境下，仍可侦测出异常行为。

2.通过撷取不同的多特征，本发明可应用于多种不同的异常行为侦测。

综上所述，本发明利用多特征自动集群法的异常行为自动侦测***与方法主要是通过特征撷取、行为分群等程序来建立行为模型，并通过判断异常行为，此有异于已知技术利用各式侦测器材判断异常行为的方式。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种利用多特征自动集群法的异常行为侦测***，其特征在于，所述的***包括：

一特征撷取单元，用以撷取一监控数据中一或多个对象的特征数据，并建立一包括该一或多个对象的特征组；

一行为模型建立单元，取得该特征撷取单元产生的该特征组，经分群分析而建立与更新该对象的一行为模型；

一行为判断单元，取得该特征撷取单元产生的该特征组与该行为模型建立单元产生的该行为模型，经比对后判断该对象的行为是否属于异常行为；以及

一输出单元，用以输出该行为模型的数据及该对象的行为的判断结果。

2.如权利要求1所述的利用多特征自动集群法的异常行为侦测***，其特征在于，所述的特征撷取单元包括一空间特征撷取模块与一时间特征撷取模块，以分别撷取空间信息与时间信息。

3.如权利要求2所述的利用多特征自动集群法的异常行为侦测***，其特征在于，所述的***应用于交通违规行为上，该空间特征撷取模块包括：

一交通号志状态侦测子单元，通过一影像分析程序，得到目前交通号志灯号的状态；以及

一车辆位置侦测子单元，通过该影像分析程序，得到一或多部车辆的位置。

4.如权利要求2所述的利用多特征自动集群法的异常行为侦测***，其特征在于，所述的***应用于交通违规行为上，该空间特征撷取模块包括：

一车辆型态侦测子单元，通过该影像分析程序，侦测出该一或多部车辆的型态。

5.如权利要求2所述的利用多特征自动集群法的异常行为侦测***，其特征在于，所述的***应用于交通违规行为上，该时间特征撷取模块包括：

一车辆轨迹侦测子单元，通过该影像分析程序，侦测出该一或多部车辆之位置在连续时间轴上的分布情形，得到该一或多部车辆的行进轨迹。

6.如权利要求1所述的利用多特征自动集群法的异常行为侦测***，其特征在于，所述的监控数据为撷取自监控环境中所架设的各项感应装置所产生的监控数据。

7.如权利要求1所述的利用多特征自动集群法的异常行为侦测***，其特征在于。所述的输出单元为一储存设备，或为一显示设备，或为一传输设备，或该储存设备与该显示设备及该传输设备的结合。

8.一种利用多特征自动集群法的异常行为侦测方法，其特征在于，所述的方法包括：

输入一监控数据；

由该监控数据撷取出一或多个对象的一或多个特征组；

对各特征组进行相似特征分群分析；

根据分群分析结果建立或更新一行为模型，并根据分析结果定义该行为模型为正常行为模型或异常行为模型，其中该行为模型为集合一段时间内多个对象的多个特征组所产生；

比对各对象的特征组与该行为模型，判断该对象是否符合该行为模型，以判断是否有一异常行为；以及

输出判断结果。

9.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，所述的对象的特征包括撷取的空间特征与时间特征。

10.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，经该分群分析步骤后，属于相同分群的各对象皆有相似的环境特征、运动轨迹、空间特征或对象特征。

11.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，所述的监控数据为撷取自监控环境中所架设的各项感应装置所产生的监控数据。

12.如权利要求11所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，所述的监控数据包括一道路监控影像与交通号志状态。

13.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，该根据分群分析结果建立或更新该行为模型的步骤中，引入一监督式学习方式，明确指定特定行为属于该异常行为。

14.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，在所述的判断该对象是否符合该行为模型的步骤中，若该对象的特征组符合该正常行为模型，则判断该对象的行为属于正常行为；若该对象的特征组不符合该正常行为模型，或该对象的特征组符合该异常行为模型，则判断该对象的行为属于异常行为。

15.如权利要求8所述的利用多特征自动集群法的异常行为侦测方法，其特征在于，在该对各特征组进行相似特征分群分析的步骤中，将各对象的行为依据特征组相似度进行分群分析，将多个对象的行为区分为多个群体，再依据分群结果的各群体机率分布，进行分析以建立该行为模型。

Images