基于人群的異常事件檢測的研究.pdf

1、隨著視頻監(jiān)控技術(shù)向網(wǎng)絡(luò)化、數(shù)字化、智能化等方向的不斷延伸，利用智能型的視頻監(jiān)控技術(shù)，從視頻流的幀序列中檢測、跟蹤行人并分析人或人群的運動模式正成為學術(shù)研究中的熱點問題。目前，已存在的基于視頻監(jiān)控場景下的人群異常事件檢測方法雖已多種多樣，但是這些檢測模型存在著計算復雜度大、適用場景單一等諸多問題。因此，為了解決以上難題，本文在總結(jié)原有算法的基礎(chǔ)上，提出了相應的優(yōu)化算法。主要內(nèi)容包括如下兩方面：
　　一方面，針對檢測模型有較高計算復雜

2、度的問題，提出了一種基于假設(shè)檢驗的異常事件檢測算法，可以較好的提高檢測的時間性能。該算法首先通過高斯濾波對視頻圖像進行預處理，并使用稠密光流法提取出人群運動信息，作為人群的運動特征描述子；此后，對大量的正負樣本集進行采樣統(tǒng)計，分析獲得樣本的分布規(guī)律；接著，依據(jù)“越接近異常事件，光流值越大”的分布規(guī)律，建立基于假設(shè)檢驗的異常事件檢測模型，并最終得到人群事件的異常檢測結(jié)果。通過實驗對比發(fā)現(xiàn)，本文提出的算法在檢測準確率上高達99.6％，在時間

3、性能方面平均每幀0.146s或0.156s，而其他方法則需要0.2s/幀，或甚至達到25s/幀。
　　另一方面，針對適用場景單一的問題，提出了一種基于三維光流直方圖的時空特征和在線模糊聚類的異常事件檢測方法，可以更好地適應對有差異的視頻監(jiān)控場景的異常事件檢測。該方法首先使用基于三維光流直方圖的時空域特征提取方法，得到能夠較好描述視頻內(nèi)容的特征描述子；其次，使用模糊C均值的聚類算法，對特征描述子進行低級聚類，得到初級的編碼本和隸屬度

4、矩陣；再次，對時空視頻體進行二次重采樣，并使用概率密度函數(shù)的方法對其進行描述，根據(jù)得到的描述子，對其進行基于模糊C均值的高級聚類，得到高級聚類的編碼本和隸屬度矩陣，從而可以得到樣本中前景目標的運動模式；然后，使用包含新視頻幀的數(shù)據(jù)與原有的初始化數(shù)據(jù)，利用高級的隸屬度矩陣進行比較，從而判斷出視頻流中異常事件的發(fā)生區(qū)域；最后，為了達到場景自適應性的目的，需要將測試視頻幀加入到原始數(shù)據(jù)集中更新初始化數(shù)據(jù)，以得到新的運動模式用以檢測新的視頻幀。