擁擠場景中異常事件檢測方法研究.pdf

1、視頻中的異常事件檢測是智能視頻監(jiān)控中一個(gè)重要研究方向，近年來逐漸成為深受關(guān)注的應(yīng)用領(lǐng)域。擁擠場景是指一些人口流動(dòng)性大、稠密度高的公共場所，如地鐵、廣場等，這些場所易發(fā)生群體性事件，如果不能即時(shí)處理，會(huì)產(chǎn)生嚴(yán)重的影響。因此，針對擁擠場景中的異常檢測需要進(jìn)行深入的研究。在非擁擠場景中通常采用目標(biāo)檢測及跟蹤的方法進(jìn)行異常判斷；而在擁擠場景中，很難分離每個(gè)目標(biāo)或事件，因此更多有效的方法選擇使用局部特征來表示異常事件，包括時(shí)空信息、抽取運(yùn)動(dòng)特征以

2、及建立光流直方圖等。根據(jù)檢測的區(qū)域，擁擠場景中的異常檢測又可劃分為局部異常檢測和全局異常檢測。本課題分別研究了擁擠場景中的局部異常檢測和全局異常檢測的方法。
　　本文研究了一種基于時(shí)空MRF框架的局部異常檢測方法。選定一段時(shí)空域上的視頻幀，對每幀圖像進(jìn)行劃分，每一個(gè)劃分代表時(shí)空MRF中的一個(gè)節(jié)點(diǎn)，這些節(jié)點(diǎn)就構(gòu)成了一個(gè)時(shí)空MRF圖模型。節(jié)點(diǎn)的特征可以用光流來描述，本文采用金字塔LK光流法計(jì)算各節(jié)點(diǎn)處的光流場。然而最初的光流并不能很好

3、的表示節(jié)點(diǎn)處的運(yùn)動(dòng)特征，需要進(jìn)一步的特征建模。MPPCA方法類似于高斯混合模型，它通過組合多個(gè)概率PCA模型可以更好的表示復(fù)雜數(shù)據(jù)。因此，本文使用MPPCA對低層的光流進(jìn)行建模。MRF的能量最小化求解問題是 NP難，但可以通過近似算法進(jìn)行求解，如置信傳播算法。在時(shí)空MRF模型中應(yīng)用置信傳播里可以得出各節(jié)點(diǎn)的標(biāo)號(hào)，這個(gè)標(biāo)號(hào)可以表示節(jié)點(diǎn)的狀態(tài)（正?；虍惓＃阉鳛榫植慨惓z測的判斷依據(jù)。
　　對于全局異常檢測，本文研究了一種基于稀疏

4、表示的方法并進(jìn)行了算法上的改進(jìn)。視頻中每幀的圖像可以提取出它的光流直方圖特征向量，根據(jù)一個(gè)已知的特征向量基對特征向量進(jìn)行稀疏表示，不同幀的特征向量得到的稀疏系數(shù)幅值不同。選取視頻中正常幀的特征向量進(jìn)行字典學(xué)習(xí)，可以得到一個(gè)特征向量基，也就是字典。再使用這個(gè)字典對測試幀的特征向量進(jìn)行稀疏表示，異常幀特征向量的稀疏系數(shù)幅值變化較大。為了量化異常幀的異常程度，根據(jù)求得的稀疏系數(shù)構(gòu)建一個(gè)稀疏表示代價(jià)函數(shù)，作為判斷視頻中某一幀是否異常的依據(jù)。在稀