針對(duì)視頻監(jiān)控的中小群體異常行為檢測(cè)分析

李銳

摘 要：近年來，視頻監(jiān)控的應(yīng)用范圍日漸廣泛，應(yīng)用過程中，常有中小群體異常行為出現(xiàn)，需及時(shí)進(jìn)行檢測(cè)，在此過程中，傳統(tǒng)的檢測(cè)方法場(chǎng)景適應(yīng)與實(shí)時(shí)性的平衡難以實(shí)現(xiàn)。因此，該文基于機(jī)器學(xué)習(xí)角度，將一種通過群體密度、運(yùn)動(dòng)特征來對(duì)異常行為進(jìn)行檢測(cè)的方法提出，應(yīng)用對(duì)群體密度進(jìn)行快速估計(jì)的方法來對(duì)群體的密度特征進(jìn)行提取，群體運(yùn)動(dòng)特征則應(yīng)用局部稠密光流法來進(jìn)行提取，與密度特征相結(jié)合，對(duì)群體異常行為的識(shí)別以隨機(jī)森林計(jì)算法來實(shí)現(xiàn)。

關(guān)鍵詞：視頻監(jiān)控 中小群體 異常行為 檢測(cè)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）03（a）-0058-02

現(xiàn)階段，對(duì)監(jiān)控視頻中群體異常行為進(jìn)行檢測(cè)的模型大多還有一些問題存在，一方面，實(shí)時(shí)性與場(chǎng)景適應(yīng)性的平衡難以實(shí)現(xiàn)，對(duì)模型進(jìn)行檢測(cè)需要耗費(fèi)大量時(shí)間，這些檢測(cè)模型不能對(duì)多種異常情況進(jìn)行適應(yīng)。另一方面，部分檢測(cè)模型忽視了對(duì)群體密度的估計(jì)，在群體稀疏場(chǎng)景中，運(yùn)動(dòng)矢量可能比較混亂，致使誤判出現(xiàn)?；谶@些問題，該文提出一種通過群體密度的特征與運(yùn)動(dòng)的特征來對(duì)異常行為實(shí)施檢測(cè)的方法。

1 常用監(jiān)控視頻中小群體異常行為檢測(cè)方法分析

當(dāng)前，基于視頻監(jiān)控角度，學(xué)者們將多種檢測(cè)模型提出，具體而言，主要有以下幾種類型：（1）通過分類實(shí)現(xiàn)檢測(cè)的模型，此種模型對(duì)樣本進(jìn)行訓(xùn)練，得到正常事件的分類器，隨后應(yīng)用分類器來對(duì)需要檢測(cè)的事件進(jìn)行分類處理。（2）通過推斷實(shí)現(xiàn)檢測(cè)的模型，對(duì)表示事件相關(guān)的特征數(shù)據(jù)實(shí)時(shí)聚類處理，得到一個(gè)基本的事件模式，隨后建立各個(gè)基本事件的概率密度函數(shù)，以獲得各個(gè)基本事件屬于某種模式的可能性，從而推斷出異常類型。（3）通過重構(gòu)實(shí)現(xiàn)檢測(cè)的模型，應(yīng)用正常事件中的相應(yīng)數(shù)據(jù)，對(duì)其進(jìn)行訓(xùn)練，以小誤差重構(gòu)獲得正常的事件，以大誤差重構(gòu)獲得異常事件。（4）通過能量實(shí)現(xiàn)檢測(cè)的模型，在此種模型下，監(jiān)控區(qū)域被看作是一個(gè)整體，對(duì)其中運(yùn)動(dòng)相應(yīng)的能量進(jìn)行提取，與閾值進(jìn)行比對(duì)，對(duì)行為是否正常進(jìn)行判斷。

2 該文提出的針對(duì)視頻監(jiān)控的中小群體異常行為檢測(cè)方法分析

2.1 算法的整體框架

該文提出的算法通過以下三個(gè)步驟來實(shí)現(xiàn)：第一，將對(duì)群體密度進(jìn)行快速估計(jì)的算法提出，對(duì)群體的密度等級(jí)（設(shè)為G）、群體人數(shù)的變化率（設(shè)為V）進(jìn)行提取。第二，將對(duì)群體運(yùn)動(dòng)特征進(jìn)行提取的算法提出，對(duì)平均動(dòng)能（設(shè)為E）、運(yùn)動(dòng)方向熵（設(shè)為O）、距離勢(shì)能（設(shè)為D）三個(gè)群體運(yùn)動(dòng)特征進(jìn)行提取。第三，對(duì)以上兩個(gè)步驟進(jìn)行綜合，獲得五種群體特征，應(yīng)用隨機(jī)森林算法來對(duì)群體行為進(jìn)行判斷，查看是否有異常存在。

2.2 對(duì)群體密度進(jìn)行檢測(cè)的算法

應(yīng)用混合的高斯背景模型來對(duì)ROI中二值前景像素?cái)?shù)進(jìn)行提取，利用透視矯正算法來對(duì)前景像素?cái)?shù)進(jìn)行更新，以FAST角點(diǎn)密度來對(duì)群體密度權(quán)的重值進(jìn)行設(shè)定，使前景像素完成歸一化，于不同的取值范圍中，應(yīng)用最小二乘法來對(duì)曲線進(jìn)行擬合，以對(duì)G進(jìn)行估計(jì)。隨后，以前景像素?cái)?shù)的計(jì)算獲得V，此種算法對(duì)中小群體密度的估算能夠?qū)崿F(xiàn)良好效果。

2.3 對(duì)運(yùn)動(dòng)體征進(jìn)行提取的算法

前景圖通過二值前景的掩碼獲得，對(duì)局部的稠密光流進(jìn)行計(jì)算，通過光流的掩碼來對(duì)光流的相關(guān)運(yùn)動(dòng)信息進(jìn)行提取，得到E、O的運(yùn)動(dòng)特征。對(duì)光流場(chǎng)掩碼中的FAST角點(diǎn)相互間的歐式距離進(jìn)行計(jì)算，對(duì)D進(jìn)行提取。

3 通過隨機(jī)森林進(jìn)行特征分類的方法

隨機(jī)森林算法屬于基于決策樹組合分類算法的一種，個(gè)別樹輸出的類別眾數(shù)決定了其總體的輸出類別，此種方法運(yùn)算簡(jiǎn)單、快速，事先無需對(duì)數(shù)據(jù)實(shí)施預(yù)處理，需要進(jìn)行調(diào)整的參數(shù)不多，無需擔(dān)心擬合過度的問題，可對(duì)大數(shù)據(jù)集進(jìn)行有效處理，且抗燥能力較強(qiáng)。在現(xiàn)有的諸多算法中，隨機(jī)森林算法的精度最高，對(duì)多分類問題進(jìn)行處理時(shí)，相較于支持向量機(jī)，此種方法的泛化能力明顯較強(qiáng)。其實(shí)現(xiàn)過程如下，其中，N為訓(xùn)練樣本數(shù)；M為訓(xùn)練樣本屬性數(shù)，m為整數(shù)，>0，

4 分析實(shí)驗(yàn)結(jié)果

在雙核2.69 GHz的CPU、內(nèi)存為1.7GB的PC機(jī)上對(duì)該監(jiān)控系統(tǒng)進(jìn)行搭建，該文算法通過編寫代碼實(shí)現(xiàn)（MATLAB 2014a開發(fā)平臺(tái)），相關(guān)視頻的序列來源于PETS2009、UMN，實(shí)驗(yàn)結(jié)果證實(shí)，相較于傳統(tǒng)的群體異常行為分析方法，該文的方法效果理想，在對(duì)中小群體的異常行為進(jìn)行檢測(cè)中比較適用。

4.1 該文算法識(shí)別率與傳統(tǒng)算法識(shí)別率比對(duì)

對(duì)于沒有規(guī)則的亂動(dòng)、相同方向突然散亂、突然奔跑三種常見的一種，該文算法的分類結(jié)果、識(shí)別率均較為理想。傳統(tǒng)的方法分別對(duì)群體密度進(jìn)行估計(jì)，對(duì)群體運(yùn)動(dòng)特征進(jìn)行提取，與前景像素?cái)?shù)、邊緣像素?cái)?shù)相結(jié)合，以最小二乘法來估計(jì)密度群體的數(shù)量，應(yīng)用灰度共生矩陣與支持量機(jī)相結(jié)合，對(duì)估計(jì)高密度的人群數(shù)量，再應(yīng)用純光流法來對(duì)群體方向熵、運(yùn)動(dòng)平均動(dòng)能進(jìn)行提取，隨后與事先設(shè)定好的閾值進(jìn)行比對(duì)，以判斷是否有異常的行為出現(xiàn)。

4.2 該文算法實(shí)時(shí)性與傳統(tǒng)算法實(shí)時(shí)性比對(duì)

對(duì)于UMN中出現(xiàn)沒有規(guī)則亂動(dòng)的視頻，該文算法的實(shí)時(shí)性較高。進(jìn)行實(shí)際運(yùn)用過程中，該文算法每隔5幀就可以采樣一次，采樣率相對(duì)較低，這樣，可使計(jì)算的耗時(shí)得到進(jìn)一步減少，一般情況下，平均時(shí)耗僅為每幀36.6 ms。該文算法與傳統(tǒng)算法的比較情況如下，對(duì)于密度進(jìn)行估計(jì)時(shí)，該文的用時(shí)是53 ms，傳統(tǒng)算法是165 ms；對(duì)光流特征進(jìn)行提取時(shí)，該文算法用時(shí)為99 ms，傳統(tǒng)算法是138 ms；該文算法分類器用時(shí)為0 ms，傳統(tǒng)算法是13 ms。可見，該文算法各項(xiàng)用時(shí)均明顯較傳統(tǒng)算法短，在實(shí)時(shí)性方面，該文算法有巨大優(yōu)勢(shì)。

5 結(jié)語

目前，監(jiān)控視頻的應(yīng)用日漸廣泛，應(yīng)用過程中，經(jīng)常需要對(duì)群體異常行為進(jìn)行判斷，以對(duì)監(jiān)控系統(tǒng)進(jìn)行及時(shí)調(diào)試，從而保證監(jiān)控準(zhǔn)確性。為了進(jìn)一步對(duì)監(jiān)控視頻中小群體異常行為的檢測(cè)方法進(jìn)行探討，該文提出了一種通過對(duì)群體密度與運(yùn)動(dòng)的特征來對(duì)檢測(cè)異常行為的方法，采用歸一化的前景像素?cái)?shù)來估計(jì)群體的密度。此種算法不但準(zhǔn)確，而且速度快，能夠?qū)θ巳合∈鑸?chǎng)景進(jìn)行良好排除，使錯(cuò)誤判斷減少。另外，該文采用隨機(jī)森林算法對(duì)異常行為進(jìn)行分類，并將實(shí)驗(yàn)結(jié)果與傳統(tǒng)計(jì)算方法得到的結(jié)果比較，結(jié)果顯示，該文方法的準(zhǔn)確度、實(shí)時(shí)性均明顯較為優(yōu)越，且有良好的場(chǎng)景適應(yīng)性，在實(shí)際工作中應(yīng)用價(jià)值較大。

參考文獻(xiàn)

[1] 鄭偉，李媛媛.吉林市水利無線視頻監(jiān)控系統(tǒng)工程建設(shè)情況[J].中國(guó)防汛抗旱，2011，21（6）：70-72.

[2] 劉洪磊.無線視頻監(jiān)控組網(wǎng)設(shè)計(jì)及應(yīng)用[J].科技資訊，2015，13（5）：26.

[3] 高振中.無線視頻監(jiān)控在輸變電施工中的應(yīng)用[J].科技傳播，2013（24）：254-255.