基于時(shí)空特點(diǎn)的群體異常行為檢測(cè)算法研究.pdf

1、在計(jì)算機(jī)視覺(jué)領(lǐng)域，智能的對(duì)視頻中群體異常行為進(jìn)行檢測(cè)成為廣泛關(guān)注的熱點(diǎn)問(wèn)題。這一方向在智能交通、安防監(jiān)控、人機(jī)交互等方面有著理論與應(yīng)用雙重價(jià)值。本文研究的是基于時(shí)空特征點(diǎn)對(duì)視頻中群體異常行為進(jìn)行檢測(cè)，分析視頻中的逃跑、打架等異常行為。
　　 針對(duì)基于跟蹤或粒子流的全局方法計(jì)算量大、受光照、遮擋等干擾嚴(yán)重的缺點(diǎn)，本文根據(jù)人類群體運(yùn)動(dòng)的視頻中存在時(shí)間和空間方向上劇烈位置變化的特點(diǎn)，同時(shí)時(shí)空特征點(diǎn)(STIPs：Spatial-Temp

2、oral Interesting Points)方法在簡(jiǎn)單人體行為識(shí)別中取得了成功，提出了用時(shí)空特征點(diǎn)來(lái)描述人類群體的運(yùn)動(dòng)的新方法，即從視頻中提取時(shí)空特征點(diǎn)，對(duì)人類群體行為進(jìn)行局部描述。通過(guò)比較分析三種不同的時(shí)空特征點(diǎn)提取方法的優(yōu)缺點(diǎn)，我們選擇了一種基于Hessian矩陣的的尺度不變特征點(diǎn)提取方法。
　　 在時(shí)空特征點(diǎn)產(chǎn)生以后，我們對(duì)時(shí)空特征點(diǎn)構(gòu)建了描述符。為了測(cè)試算法在不同描述符下的性能，采用了梯度方向直方圖、光流方向直方圖、

3、時(shí)空Haar特征三種描述符并對(duì)構(gòu)建方法進(jìn)行了詳細(xì)闡述。
　　 在對(duì)正常行為建模及檢測(cè)階段，使用了Bag-of-words模型。產(chǎn)生關(guān)鍵詞(words)時(shí)，為了克服傳統(tǒng)的K-means方法無(wú)法準(zhǔn)確描述數(shù)據(jù)集分布的特點(diǎn)，使用了基于EM估計(jì)的高斯混合模型建模方法，使產(chǎn)生的關(guān)鍵詞有效描述一組數(shù)據(jù)的概率分布。然后對(duì)樣本中部分正常行為視頻進(jìn)行劃分，根據(jù)關(guān)鍵詞為每一視頻片段建立一個(gè)帶有概率分布的編碼向量，所有訓(xùn)練樣本的編碼向量組成編碼表。在檢

4、測(cè)階段，也需要對(duì)測(cè)試視頻進(jìn)行劃分，提取時(shí)空特征點(diǎn)后與關(guān)鍵詞進(jìn)行匹配，根據(jù)每一視頻片段的關(guān)鍵詞分布構(gòu)成測(cè)試樣本編碼向量，然后計(jì)算它與訓(xùn)練樣本編碼表中各項(xiàng)的歐氏距離，當(dāng)最小距離大于一定閾值時(shí)，則認(rèn)為測(cè)試視頻片段所含行為為異常行為。
　　 本文對(duì)提出的算法進(jìn)行了大量的實(shí)驗(yàn)，在兩種不同數(shù)據(jù)集下，在取不同的描述符、不同的模型數(shù)量時(shí)，給出測(cè)試的ROC(Receiver Operating CharacteristicCurve)曲線并對(duì)特定