基于監(jiān)控視頻的人群異常事件檢測(cè).pdf

1、近年來(lái)，隨著越來(lái)越多人群踩踏、恐怖襲擊以及其他公共安全事件的發(fā)生，作為群體行為監(jiān)控、分析、預(yù)警基礎(chǔ)的人群異常事件檢測(cè)已經(jīng)成為智能監(jiān)控領(lǐng)域中亟需解決的問(wèn)題之一。然而，由于人群運(yùn)動(dòng)復(fù)雜多變，要列出人群中所有可能出現(xiàn)的異常事件幾乎是不可能的，因此人群異常事件的檢測(cè)并不是一個(gè)典型的分類(lèi)問(wèn)題。為此本文采用先從只包含正常事件的人群視頻中訓(xùn)練出一個(gè)特征集，再通過(guò)計(jì)算待檢測(cè)視頻中人群特征與特征集的偏離程度來(lái)判斷人群中是否出現(xiàn)異常這一技術(shù)路線。具體地，本

2、文將人群異常事件的檢測(cè)分為兩步：一是人群視頻特征提取，即事件表示；二是模型的訓(xùn)練更新和人群異常事件檢測(cè)。
　　對(duì)于人群視頻的特征提取，本文采用了兩種不同方法。一是基于排斥力的特征提取。為避免在擁擠場(chǎng)景中跟蹤每個(gè)具體個(gè)體帶來(lái)的問(wèn)題，本文使用一種粒子的平流運(yùn)動(dòng)來(lái)模擬人群的運(yùn)動(dòng)，并將通過(guò)排斥力模型獲取的能夠準(zhǔn)確反映出人群運(yùn)動(dòng)的力流矩陣視為提取的特征。二是基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取。雖然第一種方法提取的特征在多種類(lèi)型場(chǎng)景的異常檢測(cè)中都取得

3、了良好的效果，但是它對(duì)于排斥力變化不明顯的場(chǎng)景敏感度不高。因此我們采用一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合滑動(dòng)窗口和PCA以提取人群視頻的時(shí)空特征。
　　對(duì)于模型的訓(xùn)練和異常事件檢測(cè)，本文采用了一個(gè)基于稀疏編碼的分組詞典框架以改善單一模式詞典帶來(lái)的計(jì)算量大且難以維護(hù)的問(wèn)題。在異常事件檢測(cè)時(shí)，本文依次使用每個(gè)詞典對(duì)待檢測(cè)單詞進(jìn)行稀疏重構(gòu)。一旦待檢測(cè)單詞能被某個(gè)詞典稀疏表示，那么就認(rèn)為它所表示的事件是正常的；若所有的詞典都不能稀疏表示它

4、，那么就認(rèn)為是異常的。為解決隨著新視頻的不斷增加和視頻場(chǎng)景的動(dòng)態(tài)變化而導(dǎo)致的詞典組表示能力退化或概念漂移問(wèn)題，本文基于稀疏重構(gòu)和一組單詞池提出了一個(gè)無(wú)監(jiān)督的詞典組局部和全局在線更新算法。
　　最后，本文在公開(kāi)數(shù)據(jù)集UMN、UCSD以及Web數(shù)據(jù)集上與其他方法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)表明本文的兩種方法都提高了人群異常事件檢測(cè)的準(zhǔn)確度和效率，并且基于卷積神經(jīng)網(wǎng)絡(luò)特征提取的方法改善了基于排斥力的特征提取方法對(duì)于排斥力變化不明顯場(chǎng)景敏感度不高