智能監(jiān)控系統(tǒng)中異常行為檢測算法研究.pdf

1、隨著社會生活智能化的發(fā)展以及對公共安全性要求的提高，視頻監(jiān)控系統(tǒng)開始廣泛的應(yīng)用到學(xué)校、醫(yī)院、社區(qū)、銀行等公共場所，并逐漸在社會公眾安全領(lǐng)域發(fā)揮起至關(guān)重要的作用。本文針對智能視頻監(jiān)控系統(tǒng)中的如暈倒、打架等簡單異常行為進(jìn)行研究，以CASIA行為數(shù)據(jù)庫為訓(xùn)練樣本庫，采用基于模版匹配和基于支持向量機(jī)的兩種檢測方法，取得了較好的識別效果。
　　基于模板匹配的檢測方法包括行為模板訓(xùn)練和異常行為檢測兩個(gè)階段:(1)行為模板訓(xùn)練階段:以異常行為視

2、頻段（如暈倒或打架行為）為學(xué)習(xí)樣本，首先，針對全局時(shí)空信息的方法存在計(jì)算量大、易受光照、遮擋等外界條件的影響等缺點(diǎn)，根據(jù)人體運(yùn)動(dòng)時(shí)在時(shí)間和空間中存在劇烈變化的位置的特點(diǎn)，采用時(shí)空特征點(diǎn)對樣本視頻中的行為進(jìn)行局部描述，采用具有尺度不變性的Hessian矩陣方法獲得學(xué)習(xí)樣本的時(shí)空特征點(diǎn);其次，由于特征點(diǎn)之間仍然是孤立的點(diǎn)，為了細(xì)致描述行為特征，借鑒SURF的思想結(jié)合時(shí)空特征點(diǎn)周圍信息在三維空間對時(shí)空特征點(diǎn)構(gòu)建描述符;再次，為更具體的體現(xiàn)異常

3、行為特征，對學(xué)習(xí)樣本的全部描述符采用NERF C-Mean方法聚類，并對聚類后的各類描述符采用EM-GMM方法構(gòu)建行為模型;最后，計(jì)算每個(gè)學(xué)習(xí)樣本的時(shí)空特征點(diǎn)描述符隸屬于各類GMM模型的概率分布向量vi（i為視頻段的個(gè)數(shù)），將所有學(xué)習(xí)樣本的vi組成編碼表，作為行為檢測的模板。這樣不同異常行為可以獲得各自對應(yīng)的不同模板。(2)異常行為檢測階段:對測試視頻提取特征點(diǎn)并構(gòu)建描述符，計(jì)算每個(gè)測試視頻段的描述符隸屬于各類GMM模型的概率分布向量u

4、j，用直方圖相交法分別計(jì)算這一分布向量uj與編碼表中每個(gè)的vi相似度并取最大值sj，當(dāng)sj大于一定的閾值時(shí)就認(rèn)為異常，否則為正常行為。
　　基于支持向量機(jī)的異常行為檢測方法包括訓(xùn)練階段和檢測階段兩個(gè)方面:訓(xùn)練階段，以正常和異常行為視頻段為訓(xùn)練樣本，分別提取時(shí)空特征點(diǎn)并構(gòu)建描述符，計(jì)算各個(gè)樣本的描述符隸屬于GMM模型的概率分布向量作為樣本的最終描述，結(jié)合樣本標(biāo)簽（異常為“-1”，正常為“+1”）輸入支持向量機(jī)訓(xùn)練，首先采用交叉驗(yàn)證法

5、獲取SVM最佳參數(shù)，在最佳參數(shù)下訓(xùn)練支持向量，得到訓(xùn)練樣本的最佳分類模型;檢測階段，計(jì)算測試視頻的描述符隸屬于各類GMM模型的概率分布向量，作為視頻段的描述向量，依據(jù)訓(xùn)練階段得到的SVM模型預(yù)測測試樣本標(biāo)簽，判斷其行為的正常與否。
　　本文首先在CASIA行為分析數(shù)據(jù)庫中對提出的兩種方法進(jìn)行了多次試驗(yàn)，根據(jù)描述符和模型參數(shù)在模板匹配方法中繪制ROC曲線，設(shè)定匹配閾值，暈倒行為識別率達(dá)到88.42％，打架行為識別率達(dá)到90.62％;