中高密度人群異常行為檢測(cè).pdf

1、隨著計(jì)算機(jī)視覺的發(fā)展，智能視頻監(jiān)控得到了更廣泛的發(fā)展。特別是隨著人們對(duì)公共安全意識(shí)的提高，人們對(duì)人群場(chǎng)景中的異常行為檢測(cè)越來越關(guān)注，對(duì)于異常檢測(cè)的研究也越來越多。本文就智能視頻監(jiān)控中的人群異常檢測(cè)展開工作，分析了幾種常見人群異常行為，并相對(duì)的提出了一些異常檢測(cè)方法。因?yàn)楸疚难芯恐懈呙芏葓?chǎng)景中的異常行為，因此首先要對(duì)場(chǎng)景中人群的密度進(jìn)行分類，再對(duì)高密度的場(chǎng)景檢測(cè)是否有異常事件的發(fā)生。
　　 對(duì)于人群密度估計(jì)問題，本文采用最小二乘法

2、線性擬合和基于圖像紋理分析的兩種方法。線性擬合方法，利用前景檢測(cè)方法，提取前景目標(biāo)的像素?cái)?shù)，人工統(tǒng)計(jì)場(chǎng)景中人群數(shù)目，利用最小二乘法線性擬合，此方法計(jì)算復(fù)雜度低，但該方法在人群遮擋嚴(yán)重時(shí)效果不理想?；趫D像紋理的人群密度估計(jì)方法依靠不同密度的人群所體現(xiàn)的紋理信息不同，首先提取人群前景目標(biāo)，然后計(jì)算前景目標(biāo)的灰度共生矩陣，運(yùn)用支持向量機(jī)方法進(jìn)行密度的分類。該方法能解決人群出現(xiàn)遮擋的問題，而且由于只計(jì)算了前景目標(biāo)的紋理信息，排除了背景的影響，

3、因此分類結(jié)果的正確率得到了保障。
　　 針對(duì)傳統(tǒng)基于跟蹤的異常檢測(cè)方法無法適用的擁擠人群場(chǎng)景，提出一種根據(jù)單元格速度和前景像素?cái)?shù)（大小）及其運(yùn)動(dòng)方向是否具有剛性運(yùn)動(dòng)特性來判別異常的檢測(cè)方法。為了只分析前景目標(biāo)忽略不相關(guān)的背景，首先將輸入幀進(jìn)行前景分割，再將輸入幀分割成不重疊的單元格，通過計(jì)算單元格中前景像素的光流提取每個(gè)單元格的運(yùn)動(dòng)特征來判定異常的發(fā)生。其中，速度特征可以檢測(cè)出速度過快的異常情況。為了區(qū)分出車和因人群走近而形成的