基于隱馬爾科夫模型的人群異常場(chǎng)景檢測(cè).pdf

1、監(jiān)控設(shè)備的普及催生了大量的監(jiān)控?cái)?shù)據(jù)，使得對(duì)監(jiān)控視頻中的異常進(jìn)行人工檢測(cè)變得非常困難。為了減輕人力資源和經(jīng)濟(jì)負(fù)擔(dān)，同時(shí)提高異常檢測(cè)的準(zhǔn)確率，人們不斷尋求對(duì)視頻當(dāng)中的異常進(jìn)行自動(dòng)檢測(cè)的方法。人群密集的場(chǎng)景更是事故的多發(fā)場(chǎng)景，因此，如何對(duì)人群異常場(chǎng)景進(jìn)行自動(dòng)檢測(cè)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(lái)進(jìn)行人群中的異常檢測(cè)和分類。本文將人群中的異常檢測(cè)定義為密集人群中出現(xiàn)異常的目標(biāo)：機(jī)動(dòng)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(cè)出來(lái)，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(shí)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(jìn)行監(jiān)控視頻中的人群異常檢測(cè)也正是基于隱馬爾科夫模型（HMM）的這種特點(diǎn)。在異常檢測(cè)階段，首先利用光流紋理描述運(yùn)動(dòng)物體的剛性特征，利用這一特征獲得異常的預(yù)檢測(cè)結(jié)果，在此基礎(chǔ)上利用隱馬爾科夫模型（HMM）建立時(shí)間上下文的異常檢測(cè)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(gè)隱狀態(tài)序列就是異常檢測(cè)的結(jié)果。在獲得異常檢測(cè)結(jié)果的同時(shí)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(shí)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(yàn)證本文算法的有效性，我們?cè)赨CSD PED2和UMN數(shù)據(jù)庫(kù)中進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)分為兩個(gè)階段，首先對(duì)人群中的異常目標(biāo)