基于团块多尺度光流方向直方图人群异常行为检测.docVIP

基于团块多尺度光流方向直方图人群异常行为检测 　　摘要摘要：如何进行适应不同场景的人群异常检测是视频监控领域的研究难点。目前主流的人群行为特征表达式是基于HOF的，其中基于多尺度MHOF是主流方法，但由于多尺度MHOF特征是基于等距划分场景区域的局部特征，因而不是人类观察外界场景的方式。团块特征是基本符合人类观察事物的方式，因此提出基于Blob团块的MHOF特征提取算法，并联合Hog特征，应用多层递归神经网络提出了异常行为检测的算法框架。在3个数据集上进行实验，结果表明，该算法优于基于多尺度MHOF特征的异常行为检测方法 关键词关键词：视频监控；异常行为检测；团块提取 DOIDOI：10.11907/rjdk.171656 中图分类号：TP317.4 文献标识码：A文章编号文章编号2017）005018903 0引言 由于人群场景分析的巨大应用价值，人群异常行为检测已经成为近几年视频监控领域的研究热点，吸引了大量研究者关注。人群异常行为检测指对人群场景中不符合规则的行为进行检测。这里不符合规则的行为即异常的定义往往带有主观性，比如可以把人群恐慌当作异常行为，也可以把在场景中打架斗殴当作异常行为，或者是在人行道上骑车等，而且视频数据量巨大，依靠人工检测不现实，必须依靠计算机技术实现人群异常的自动检测。另外，人群密度高、模式变化快、场景中存在巨大遮挡等挑战，令传统视频监控技术不能直接应用于人群场景，这使人群异常行为检测仍是一个有待解决的问题，涌现出了大量相关研究，但仍然没有被普遍接受的用于人群场景分析的问题解决方案。基于此，本文提出了基于深度学习的人群异常行为检测方法 主要工作包括：①提出基于团块的BMHOF运动特征提取方法；②将BMHOF运动特征与HOG静态特征进行联合表达作为异常行为的检测模型输入；③应用多层递归神经网络构建异常行为检测模型 1相关工作 异常行为检测领域包括个人异常行为检测和人群异常行为检测。其中，人群异常行为检测正在成为研究热点[1]。异常行为样式各异，很难有一个明确的定义和界限，通常认为异常行为有以下特点：①偶尔发生；②无法提前预知；③可能和某个任务有关。目前在视频监控领域的异常行为检测主要是针对人群的异常行为检测，人群异常检测可被建模为“正常―异常”二分类问题 目前，对异常行为检测的方法主要是监督学习的方法，即预先对行为模式或异常行为的模型进行定义，然后对待识别的行为进行学习或匹配。Yang Cong等[2]提出了一种基于MHOF特征和稀疏表达的异常行为检测方法，该方法通过对异常行为特征进行字典学习，获得异常行为的表达方式，但该语义表达只能描述一些简单的异常行为，对过于复杂的或某些未知的异常行为无法检测；Si Wu等[3]提出用贝叶斯模型对人群的逃跑异常行为进行识别，取得了良好效果，但是针对单个人的行为特征表达仍不够完善；在文献[4]中，提出采用HOG特征融合的方法提高人体识别精度；A Adam等[5]利用多个监视器从视频序列中提取运动目标的光流特征并定义光流量级，然后在此基础上进行异常行为检测 近年来，深度学习在图像识别领域表现出较高的识别准确率，成为图像识别领域的研究热点，在异常行为检测方面也具有很高的检测准确率。文献[6]提出了多尺度时间递归神经网络的人群异常检测方法，通过该方法来考虑帧与帧之间的时空关系，从而提高了检测准确率 2异常行为检测 算法框架如图1所示，主要分为联合静态特征和基于团块的多尺度光流方向直方图特征提取（Blob Based Multi-scal HOF，BMHOF）、基于深度递归神经网络的异常行为检测模型训练和异常行为检测模型测试3部分。首先进行团块检测提取运动人群的团块，同时计算光流场，然后提取团块的纹理特征和运动特征，其中运动特征包括运动信息熵、平均速度，再应用VLAD将运动特征和静态特征进行联合特征表达，最后训练时间递归神经网络作为异常行为检测模型，完成异常检测模型构建 2.1基于团块的BMHOF特征提取与静态特征联合表达 2.1.1Blob团块检测 基于Blob团块提取的特征更符合人类观察现实世界的方式[8]。Blob团块提取的主要过程是当检测出前景并进行二值化后，计算连通区域的外围轮廓，如果轮廓目标内部存在空洞则不予考虑 但是由于目标可能存在断裂的情况，所以需要将距离比较近的目标轮廓合并。通过设定阈值，判断目标轮廓的外接矩形是否邻接，如果邻接，则在合并时取这些邻接轮廓的外接矩形。接下来计算合并后的矩形参数，包括矩形的宽高以及形心的位置。然后删除宽高过小的矩形，以进一步去除目标之外的噪声干扰。如果该目标矩形符合一定条件，则认为该团块为目标团块 2.1.2BMHO