基于光流直方圖和稀疏表示的群體異常檢測.pdf

1、在公共安全領(lǐng)域，群體場景下的異常檢測非常重要，正得到越來越多領(lǐng)域(如物理學(xué)、社會學(xué)、圖像學(xué)、計算機視覺等）研究者的關(guān)注。群體行為的研究目的在于理解視頻監(jiān)控中的群體行為，不同的研究角度有不同的解釋。在計算機視覺領(lǐng)域，對于群體行為分析主要是對行為進(jìn)行分類判別[1]。
　　傳統(tǒng)行為分析研究主要是針對單個人進(jìn)行建模，通常假定為背景、光照等不發(fā)生改變，且運動對象的運動模式相對固定的理想狀態(tài)下。但由于公共領(lǐng)域特別是人群密集的公共場所（如機場，

2、地鐵站等）中人數(shù)眾多且人與人之間存在大量遮擋[2]，傳統(tǒng)方法應(yīng)用在這類場景中往往出現(xiàn)識別效果不穩(wěn)定、錯誤檢測率高等問題。為了解決傳統(tǒng)分析方法不適用于此類人群密集場景的問題，本文研究針對群體異常行為檢測的分析方法，分析多種不同場景下的群體異常行為，對群體中突然出現(xiàn)的聚集、四散、奔跑和打架等突發(fā)異常事件進(jìn)行檢測。
　　過去的行為分析研究中所用到的運動模型大多沒有考慮到幀與幀之間運動特征的時間連續(xù)性，提取特征所含運動信息較少。本文提出一

3、種新的特征描述子，稱為運動學(xué)光流直方圖。其在傳統(tǒng)光流直方圖基礎(chǔ)上引入了加速度信息。傳統(tǒng)光流直方圖只能表示多個方向光流大小的統(tǒng)計特征，而本文所提出的運動學(xué)光流直方圖不僅能表示不同方向的光流的分布，還能表示出光流在不同方向的改變情況。這使得運動特征的表示更加豐富。本文還引入了時空區(qū)域視覺顯著性確定方法，通過分析每一幀的光流特征來追蹤有效的運動信息，從而只提取有效的運動區(qū)域作為樣本，有效地降低了計算開支。本文中還將稀疏表示理論應(yīng)用于群體異常行

4、為檢測，引入稀疏重構(gòu)代價來判別異常行為[3]。稀疏表示相對于過去一般所使用的分類方法，其特點主要表現(xiàn)在速度快、識別率高、識別效果穩(wěn)定。針對UMN和UCSD數(shù)據(jù)集以及自拍視頻的實驗結(jié)果顯示:本文方法能有效識別各類異常，且識別效果優(yōu)于現(xiàn)有算法。
　　本文研究工作主要分為以下兩個部分:
　　(1)基于傳統(tǒng)光流直方圖改進(jìn)的運動學(xué)光流直方圖
　　光流法是非常具有代表性的運動特征提取方法，是動態(tài)特征描述方法的一種，有著廣泛的應(yīng)用。

5、假設(shè)視頻中前后兩幀中所對應(yīng)的像素點的灰度均不發(fā)生改變，計算視頻中運動對象的瞬時速度場來表示該對象的運動狀態(tài)。Wang等[4]利用光流直方圖(HOF)來表示運動的方向和速度的統(tǒng)計信息，Cong等[3]提出了多尺度光流直方圖(MHOF)，對不同尺度的光流分開統(tǒng)計。然而，他們特征表示中均沒有包含到運動信息當(dāng)中非常重要的特征，即加速度。在我們的研究中，異常行為往往表現(xiàn)為對象的快速運動（如奔跑、人群中快速駛過的車輛等）和運動對象的突然加速或減速（

6、如人群驚慌四散、毆打等）。本文中，我們提出了新的運動特征描述子運動學(xué)光流直方圖。傳統(tǒng)的光流直方圖方法是首先對圖像塊計算光流，然后統(tǒng)計多個方向的光流分布情況。本文所提出的運動學(xué)光流直方圖方法不僅要統(tǒng)計光流在不同方向的分布情況，而且要計算各個方向光流大小的改變情況，即運動對象在各個方向的加速度。
　　(2)基于稀疏表示的群體異常行為識別
　　稀疏表示相關(guān)理論近年來被廣泛應(yīng)用。稀疏表示是基于過完備字典的稀疏分解，采用冗余原子構(gòu)造字

7、典，而不是采用傳統(tǒng)的正交基。在一些領(lǐng)域，稀疏表示已取得了相當(dāng)出色的應(yīng)用效果:利用稀疏表示系統(tǒng)重構(gòu)圖像[5]，用重構(gòu)誤差進(jìn)行人臉識別[6];融合稀疏表示進(jìn)行單人的人體行為識別[7]等。本文中，我們將稀疏表示理論應(yīng)用于群體異常行為檢測。實驗結(jié)果顯示稀疏表示相對于過去所用的分類方法，速度更快、識別率更高、識別效果更穩(wěn)定。稀疏表示非常適合于訓(xùn)練樣本少、特征維數(shù)高的分類情況，我們引入稀疏表示方法來進(jìn)行異常行為識別，利用正常行為模式所構(gòu)造的過完備字

8、典，通過稀疏重構(gòu)代價判定異常行為。
　　實驗顯示本文方法能有效地識別各種異常事件（如奔跑、人群中快速駛過的車輛、驚慌四散、毆打等）。由于本文中還運用了時空區(qū)域視覺顯著性提取的方法，使得冗余的樣本數(shù)量顯著減少，在不影響檢測效果的前提下，較大地提高了檢測速率。同時，運用我們所提出的運動學(xué)光流直方圖特征描述子，能夠檢測出一些其他方法不易檢測的特殊異常（對象突然加速或減速的動作）。同時，由于本文方法所提取的特征包含更豐富的運動信息，能夠有