基于隱馬爾科夫模型的人群異常場景檢測.pdf

1、監(jiān)控設(shè)備的普及催生了大量的監(jiān)控數(shù)據(jù)，使得對監(jiān)控視頻中的異常進行人工檢測變得非常困難。為了減輕人力資源和經(jīng)濟負擔(dān)，同時提高異常檢測的準(zhǔn)確率，人們不斷尋求對視頻當(dāng)中的異常進行自動檢測的方法。人群密集的場景更是事故的多發(fā)場景，因此，如何對人群異常場景進行自動檢測尤為重要。
　　本文提出了一種基于隱馬爾科夫模型（HMM）的方法來進行人群中的異常檢測和分類。本文將人群中的異常檢測定義為密集人群中出現(xiàn)異常的目標(biāo)：機動車、自行車、滑板；另外還有

2、人群的群體異常行為：人群突然的逃散。本文的目的就是要將這些異常目標(biāo)和群體異常檢測出來，并將異常目標(biāo)分類。隱馬爾科夫模型（HMM）可以利用變量的時空上下文關(guān)系為變量建立模型，本文選用隱馬爾科夫模型（HMM）進行監(jiān)控視頻中的人群異常檢測也正是基于隱馬爾科夫模型（HMM）的這種特點。在異常檢測階段，首先利用光流紋理描述運動物體的剛性特征，利用這一特征獲得異常的預(yù)檢測結(jié)果，在此基礎(chǔ)上利用隱馬爾科夫模型（HMM）建立時間上下文的異常檢測模型，然后

3、利用Viterbi算法解碼獲得最優(yōu)隱狀態(tài)序列，這個隱狀態(tài)序列就是異常檢測的結(jié)果。在獲得異常檢測結(jié)果的同時獲得異常目標(biāo)的所在位置。在異常分類階段，將異常目標(biāo)的Radon特征與SVM分類器結(jié)合，得到異常目標(biāo)預(yù)分類的結(jié)果，并利用異常目標(biāo)的時間上下文關(guān)系建立基于隱馬爾科夫模型（HMM）分類模型，解碼獲得異常分類的結(jié)果。
　　為了驗證本文算法的有效性，我們在UCSD PED2和UMN數(shù)據(jù)庫中進行實驗。實驗分為兩個階段，首先對人群中的異常目標(biāo)