一種基于運(yùn)動(dòng)相似熵的人群異常行為檢測

李斐，陳懇，李萌，郭春梅

?

一種基于運(yùn)動(dòng)相似熵的人群異常行為檢測

李斐，陳懇，李萌，郭春梅

（寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江寧波 315211）

實(shí)現(xiàn)對(duì)人群異常事件的檢測是圖形處理在智能視頻監(jiān)控領(lǐng)域的重要研究內(nèi)容。提出了一種基于運(yùn)動(dòng)相似性熵（EMS）的人群異常行為檢測算法。該算法在對(duì)視頻圖像進(jìn)行光流計(jì)算的基礎(chǔ)上，以底層光流塊為基本單位獲取場景運(yùn)動(dòng)信息，根據(jù)社會(huì)網(wǎng)絡(luò)模型的概念，提出構(gòu)建場景的運(yùn)動(dòng)網(wǎng)絡(luò)模型（MNM），完成對(duì)場景粒子運(yùn)動(dòng)相似性的劃分，并在時(shí)間域上計(jì)算MNM的粒子分布熵值EMS，最后將得到的圖像熵與設(shè)置合理的閾值相比，判斷異常行為是否發(fā)生。實(shí)驗(yàn)證明，該算法可有效檢測異常行為，與其他經(jīng)典檢測算法相比有較大優(yōu)勢(shì)。

人群異常檢測；運(yùn)動(dòng)相似性熵；運(yùn)動(dòng)網(wǎng)絡(luò)模型；圖像熵；光流法

1 引言

隨著人們社會(huì)活動(dòng)的不斷增加，在大型商場、游樂園、火車站等公共場所發(fā)生群體性異常事件的可能性增加。公共安防問題引起人們的廣泛關(guān)注。由于傳統(tǒng)的監(jiān)控視頻采取人工觀測的方法，對(duì)于爆炸性增長的監(jiān)控?cái)?shù)據(jù)不能及時(shí)地處理分析、檢測出異常行為實(shí)現(xiàn)實(shí)時(shí)預(yù)警。這一現(xiàn)狀使得智能視頻監(jiān)控技術(shù)成為時(shí)下研究的熱點(diǎn)。

群體異常事件多發(fā)生于高密度人群，在高密度人群中進(jìn)行異常行為的檢測，實(shí)際是對(duì)人群騷動(dòng)行為的識(shí)別，當(dāng)異常事件產(chǎn)生時(shí)，人會(huì)本能地做出一些反應(yīng)。表現(xiàn)為：異常狀態(tài)下，人群的運(yùn)動(dòng)要比正常情況更為劇烈。因此，通過分析人群的運(yùn)動(dòng)特征（如速度）來檢測異常事件具有可行性。目前對(duì)人群異常事件的檢測算法在不斷更新，其中基于對(duì)象的方法是將人群作為許多個(gè)體集合，對(duì)人群中的每一個(gè)對(duì)象進(jìn)行運(yùn)動(dòng)分析，在低密度人群取得很好的跟蹤效果，可檢測出異常行為，但在高密度人群中，由于復(fù)雜的人群運(yùn)動(dòng)以及個(gè)體之間的相互遮擋，使得基于對(duì)象的分析方法準(zhǔn)確率銳減。因此對(duì)于人群的分析大多以人群整體為基礎(chǔ)，通過提取整體特征實(shí)現(xiàn)對(duì)異常的檢測[1]。

參考文獻(xiàn)[2,3]提出將人群作為整體來提取特征建立模型，利用機(jī)器學(xué)習(xí)及訓(xùn)練對(duì)視頻檢測分類。Saira等人[4]首次通過社會(huì)熵來衡量光流場的不確定性，將每一個(gè)非重疊塊作為一個(gè)獨(dú)立的社會(huì)系統(tǒng)，在各自塊內(nèi)完成光流場分布統(tǒng)計(jì)和特征向量的計(jì)算，最后利用支持向量機(jī)（support vector machine，SVM）直接探測人群異常行為。針對(duì)SVM復(fù)雜性高、實(shí)時(shí)性差的問題，許多研究嘗試僅依賴熵進(jìn)行人群異常行為分析，提出基于熵異常檢測算法。Ren等人[5]提出的行為熵模型，通過信息理論和能量的概念定義每一個(gè)像素的行為確定性，估計(jì)每個(gè)像素和整個(gè)場景的行為熵，場景熵行為可用于檢測異常。Susan[6]提出利用連續(xù)3幀圖像間運(yùn)動(dòng)矢量的相關(guān)性求得非廣泛性熵，然后將其與非廣泛性熵閾值相比較來判斷人群異常行為是否發(fā)生。此算法的優(yōu)勢(shì)是不需要提前訓(xùn)練數(shù)據(jù)或參考數(shù)據(jù)，當(dāng)連續(xù)幀的運(yùn)動(dòng)幅值超過閾值就會(huì)發(fā)出異常警報(bào)。參考文獻(xiàn)[7]在提取特征點(diǎn)的基礎(chǔ)上，利用光流法得到稀疏光流場，通過計(jì)算粒子運(yùn)動(dòng)尺度構(gòu)造全局光流圖，計(jì)算全局光流圖的圖像熵，與訓(xùn)練得到的閾值相比判斷異常。實(shí)驗(yàn)表明，該算法有較好的實(shí)時(shí)性、準(zhǔn)確性。Chaker等人[8]提出社會(huì)網(wǎng)絡(luò)模型的概念，將場景中運(yùn)動(dòng)的物體作為網(wǎng)絡(luò)模型的節(jié)點(diǎn)，節(jié)點(diǎn)間的連線則代表運(yùn)動(dòng)物體之間的關(guān)系，通過構(gòu)建相似性度量公式實(shí)現(xiàn)場景粒子的局部網(wǎng)絡(luò)模型（local social network，LSN）、全局網(wǎng)絡(luò)模型（global social network，GSN）的構(gòu)建。分析視頻幀間各個(gè)LSN內(nèi)粒子個(gè)數(shù)來實(shí)現(xiàn)對(duì)異常行為的檢測。在此基礎(chǔ)上，從運(yùn)動(dòng)的尺度和方向兩個(gè)維度分析異常行為，提出了一種基于運(yùn)動(dòng)相似性熵（entropy of motion similarity，EMS）的異常行為檢測算法。正常情況下個(gè)體運(yùn)動(dòng)有較大的相似性，而異常行為表現(xiàn)為較弱運(yùn)動(dòng)相似性，因此該方法通過設(shè)置運(yùn)動(dòng)尺度閾值得到感興趣底層光流塊，并在每一個(gè)光流塊內(nèi)采用階特征窗口提取感興趣粒子減少算法計(jì)算量。在此基礎(chǔ)上，結(jié)合粒子運(yùn)動(dòng)的尺度與方向，設(shè)定運(yùn)動(dòng)相似性度量公式用以建立運(yùn)動(dòng)網(wǎng)絡(luò)模型（motion network model，MNM），通過得到的MNM分布熵EMS判斷異常行為是否發(fā)生，最后將其與正常情況下設(shè)置的EMS合理閾值相比，若大于閾值則有異常行為發(fā)生。實(shí)驗(yàn)表明，該算法可有效地檢測出異常行為。

2 算法思路和步驟

本文算法主要包含以下幾個(gè)步驟。

步驟1 在光流計(jì)算的基礎(chǔ)上將光流場劃分為×個(gè)光流塊B。

步驟2 設(shè)定運(yùn)動(dòng)尺度閾值，將運(yùn)動(dòng)貢獻(xiàn)較小的光流塊舍去，得到感興趣光流塊（block of interested，BOI）。

步驟3 在步驟2的基礎(chǔ)上以階特征窗口對(duì)每一個(gè)光流塊提取粒子運(yùn)動(dòng)信息，形成以粒子運(yùn)動(dòng)尺度與方向?yàn)樽兞康倪\(yùn)動(dòng)相似性度量公式，建立場景的MNM。

步驟4 計(jì)算場景的EMS，結(jié)合得到的閾值判斷是否發(fā)生異常事件。

算法流程如圖1所示。

3 底層特征光流塊提取

光流法是比較經(jīng)典的運(yùn)動(dòng)估計(jì)算法，反映圖像上每一點(diǎn)灰度的變化趨勢(shì)。常用的光流法有Horn-Schunck光流法和Lucas-Kanade光流法[9]。

本文運(yùn)用Lucas-Kanade光流法計(jì)算圖像的光流場，并將光流場平均分為×個(gè)光流塊。輸入的視頻圖像尺寸為×，光流場具體計(jì)算如下。根據(jù)光流約束方程：

I+I+I=0 （1）

求得、，即：

其中，I、I、I為圖像的空間灰度對(duì)、、的偏導(dǎo)數(shù)，由式（2）可得：

（3）

將得到的光流場平均分為×個(gè)光流塊，考慮到異常發(fā)生時(shí)，異常行為主要表現(xiàn)為速度的突然增大，則根據(jù)式（4）設(shè)定速度閾值：

其中，B為時(shí)刻對(duì)應(yīng)視頻幀的第個(gè)光流塊，Qmax為第個(gè)光流塊中的最大速度尺度，Q為設(shè)置的速度尺度閾值。若光流塊中的最大速度尺度仍小于閾值Q，則認(rèn)為該光流塊不可能異常。

圖1 算法流程

對(duì)于速度尺度較小的塊，即對(duì)異常行為貢獻(xiàn)較小的光流塊，直接舍去，達(dá)到減少計(jì)算量的目的。同理在每一個(gè)光流塊中，正常情況下視頻運(yùn)動(dòng)目標(biāo)的速度具有較大的一致性，可按照一定的密度間隔選取同塊中粒子的速度矢量，得到感興趣粒子，在保持提取效果的同時(shí)也可減少計(jì)算復(fù)雜度。

計(jì)算時(shí)刻特征點(diǎn)的速度尺度Q,t與運(yùn)動(dòng)方向?yàn)椋?/p>

Q=||V,t(,)|| （5）

4 運(yùn)動(dòng)網(wǎng)絡(luò)模型

社會(huì)網(wǎng)絡(luò)模型來自于西方社會(huì)學(xué)理論，最初用于對(duì)社會(huì)有界群體中獨(dú)立個(gè)體行為的分析[10]。社會(huì)網(wǎng)絡(luò)模型認(rèn)為群體成員單獨(dú)存在，但個(gè)體之間又存在錯(cuò)綜復(fù)雜的社會(huì)關(guān)系，從而構(gòu)成關(guān)系網(wǎng)絡(luò)。根據(jù)此概念，提出運(yùn)動(dòng)網(wǎng)絡(luò)模型，對(duì)場景運(yùn)動(dòng)的相似性進(jìn)行度量，并從速度尺度與運(yùn)動(dòng)方向兩個(gè)維度設(shè)定相似性度量公式，將得到的感興趣粒子依據(jù)其在速度尺度與運(yùn)動(dòng)方向的相似性，聚類為若干個(gè)局部運(yùn)動(dòng)網(wǎng)絡(luò)模型（local motion network model，LMNM），表征場景粒子的運(yùn)動(dòng)分布。

4.1 速度尺度的相似性度量

經(jīng)資料查閱[11,12]并結(jié)合人類生理實(shí)際極限速度lim，將速度尺度Q按照式（7）進(jìn)行分級(jí)：

4.2 運(yùn)動(dòng)方向相似性劃分

正常情況下，個(gè)體運(yùn)動(dòng)相似性較大，包含運(yùn)動(dòng)尺度與運(yùn)動(dòng)方向的相似，所以當(dāng)異常事件發(fā)生時(shí)，目標(biāo)運(yùn)動(dòng)相似性減弱不僅表現(xiàn)在速度尺度的突然增大或減小，其運(yùn)動(dòng)方向變化也應(yīng)作為衡量異常行為的一個(gè)重要特征。本文采用式（5）所示粒子的運(yùn)動(dòng)方向，通過對(duì)函數(shù)閾值界定，將粒子的運(yùn)動(dòng)方向平均劃分為8個(gè)方向區(qū)間，具體劃分定義如圖2所示。本文認(rèn)為若粒子間運(yùn)動(dòng)方向的變化范圍在45°以內(nèi)，可看做粒子在運(yùn)動(dòng)方向上具有相似性。

4.3 局部運(yùn)動(dòng)網(wǎng)絡(luò)模型

經(jīng)過Q相似性度量分級(jí)、運(yùn)動(dòng)方向劃分，完成對(duì)粒子在尺度和方向上的分類。屬于局部運(yùn)動(dòng)網(wǎng)絡(luò)模型1，即LMNM1的粒子應(yīng)滿足的相似性的度量公式為：

其中，V表示時(shí)刻粒子對(duì)應(yīng)的速度，如果其速度尺度屬于level a，角度滿足在區(qū)間[0,45°]，則可判定該粒子屬于LMNM1。

對(duì)于其他的局部運(yùn)動(dòng)網(wǎng)絡(luò)，有類似的相似性度量公式，由此可以將整個(gè)場景提取到的粒子聚類為24個(gè)LMNM。通過統(tǒng)計(jì)各LMNM內(nèi)的粒子數(shù)目，完成場景中粒子到MNM的映射。圖3給出了3×4 MNM概念，速度尺度分3級(jí)，由上方a、b、c表示；運(yùn)動(dòng)方向分4個(gè)區(qū)間，由右側(cè)1、2、3、4表示，每個(gè)方格的數(shù)字代表處于該運(yùn)動(dòng)網(wǎng)絡(luò)模型的粒子個(gè)數(shù)。

為了更加直觀地表示場景粒子的運(yùn)動(dòng)分布，對(duì)由速度尺度、運(yùn)動(dòng)方向、LMNM粒子個(gè)數(shù)構(gòu)成的圖3進(jìn)行降維處理。類似于式（8）的思維，在編程實(shí)現(xiàn)時(shí)將速度尺度等級(jí)level a、level b、level c分別定義為數(shù)字97、98、99；將不同的運(yùn)動(dòng)方向區(qū)間定義為[-1,-2,-3,-4,1,2,3,4]，若運(yùn)動(dòng)方向?qū)儆赱0°,45°]則定義其方向?yàn)?，若運(yùn)動(dòng)方向?qū)儆赱45°,90°]則定義其方向?yàn)?，以此類推；最后將速度尺度與運(yùn)動(dòng)方向的線性乘積作為是否屬于對(duì)應(yīng)LMNM的決策量，若粒子滿足97×(?1)條件，則粒子歸于LMNM1，類似地，滿足99×4的粒子屬于LMNM24。具體的MNM降維過程如圖4所示。通過此算法，可將圖3的MNM轉(zhuǎn)化為以LMNM為橫軸，以粒子個(gè)數(shù)為縱軸的二維柱形圖，便于實(shí)現(xiàn)對(duì)MNM熵的計(jì)算。

本文采用UMN數(shù)據(jù)集標(biāo)準(zhǔn)視頻庫中的場景作為測試對(duì)象，與正常情況下速度大多集中于低速區(qū)不同，當(dāng)人群異常時(shí)，個(gè)體速度大小不一，其運(yùn)動(dòng)分布柱形圖必然會(huì)越均勻，即LMNM分布變廣。考慮到異常行為在極短時(shí)間內(nèi)速度變化不顯著與實(shí)時(shí)性出發(fā)，實(shí)驗(yàn)中采取每幀進(jìn)行MNM構(gòu)建，結(jié)合速度尺度與運(yùn)動(dòng)方向?qū)αＷ舆M(jìn)行統(tǒng)計(jì)，得到UMN場景一正常幀與異常幀的運(yùn)動(dòng)分布柱形圖如圖5所示。

由圖5可知，正常幀與異常幀的MNM差異明顯，理想情況下根據(jù)相似性度量公式可以將粒子劃分到24個(gè)LMNM中，但是由于各時(shí)刻粒子運(yùn)動(dòng)速度可能不能完全包含式（7）中所有的速度等級(jí)，比如正常幀中的大部分粒子運(yùn)動(dòng)平緩，其速度尺度大致分布在level a，則其對(duì)應(yīng)的較高等級(jí)MNM可能粒子數(shù)就為0，例如正常幀圖5(a)中LMNM9~LMNM24都沒有粒子分布。

5 MNM熵的計(jì)算

熵（entropy）表示體系的混亂程度與不確定性，它在概率論、信息論等領(lǐng)域都有應(yīng)用，是十分重要的參量。由克勞德·艾爾伍德·香農(nóng)（Claude Elwood Shannon）第一次將熵的概念引入信息論中用來表達(dá)信息量的大小，并將熵的概念引申到圖像上得到圖像熵[13]。熵也可以用來表示任何一種能量在空間中的分布均勻程度，能量分布得越均勻，熵值就越大。基于此，可利用粒子分布熵值（以下簡稱為粒子熵）來描述人群的行為，同時(shí)直方圖中也包含有場景運(yùn)動(dòng)特征，可以準(zhǔn)確反映人群的運(yùn)動(dòng)情況。因此利用粒子熵EMS來檢測異常事件是可行的。

實(shí)驗(yàn)中考慮到視頻中每幀圖像的持續(xù)時(shí)間大概是0.042 s，而群體的異常行為是在一個(gè)時(shí)間段內(nèi)發(fā)生，這個(gè)時(shí)間段最小也應(yīng)該是整數(shù)秒的級(jí)別。相應(yīng)地，檢測異常行為時(shí)需要綜合一個(gè)時(shí)間段的運(yùn)動(dòng)信息，這樣可避免由于某一幀粒子熵突然不一致而帶來的誤差[14]。所以本文在實(shí)驗(yàn)中采用每間隔10幀進(jìn)行MNM構(gòu)建，然后計(jì)算MNM的粒子熵。粒子熵的計(jì)算式為：

圖6(a)為UMN場景一部分幀段，通過計(jì)算可看出，50~60異常幀段與其他正常幀段相比EMS值差異明顯；圖6(c)選取UMN場景三部分視頻段，折線圖結(jié)果顯示異常幀段，即63~70幀段EMS值較大。通過圖6可以看出，EMS總體上如實(shí)反映場景的運(yùn)動(dòng)狀態(tài)，可作為場景異常判斷的決策量。

6 實(shí)驗(yàn)結(jié)果與分析

為測試基于EMS的人群異常算法的有效性，本實(shí)驗(yàn)硬件采用Intel i5 3.30 GHz + 4 GB內(nèi)存的電腦，軟件采用MATLAB R2014a為開發(fā)工具。實(shí)驗(yàn)以UMN數(shù)據(jù)集[15]標(biāo)準(zhǔn)視頻庫中的3個(gè)場景，即場景一、場景二、場景三作為測試對(duì)象，對(duì)以上視頻序列進(jìn)行實(shí)驗(yàn)，結(jié)果如圖7所示，其中(a)、(c)、(e)分別為3個(gè)場景中的正常視頻幀，(b)、(d)、(f)為其對(duì)應(yīng)的異常幀。

本文算法在3個(gè)場景中的準(zhǔn)確率見表1，其中準(zhǔn)確率為檢測正確幀數(shù)與總幀數(shù)的比值。本文算法與參考文獻(xiàn)[7]算法、經(jīng)典算法（混沌不變算法（CI）[16]、社會(huì)力算法（SF）[17]、稀疏重構(gòu)算法（SRC）[18]）的準(zhǔn)確率比較見表2。由表2場景一、場景二兩行中可看出，相較于其他算法，所提算法準(zhǔn)確率最高。本文算法、參考文獻(xiàn)[6]算法以及其他經(jīng)典算法的受試者工作特征曲線（receiver operating characteristic，ROC）如圖8所示，通過圖像的表示方法反映本文算法與其他幾種算法的性能比較。其中橫軸為假陽性率（false positive rate，F(xiàn)PR），縱軸為真陽性率（true positive rate，TPR），一般認(rèn)為ROC曲線越趨于上方，即ROC曲線與坐標(biāo)軸所圍成面積值（area under curve，AUC）越大，則算法檢測準(zhǔn)確率越高、檢測效果越好。算法與其他算法的AUC比較見表3，其中平均速度（fps）一行中的fps表示算法平均每秒可處理的幀數(shù)。fps值越大，表示算法的處理速度越快，實(shí)時(shí)性越好；反之，實(shí)時(shí)性越差。雖然在場景三一行中，本文算法的準(zhǔn)確率較參考文獻(xiàn)[7]算法略低，但根據(jù)表3中的平均速度（fps）一行可得，本文算法1 s內(nèi)平均可以處理85幀圖像，而參考文獻(xiàn)[7]算法只能處理32幀圖像，因此綜合考慮本文算法更具有優(yōu)勢(shì)。

表1 本文算法在3個(gè)場景中的準(zhǔn)確率

從圖8可明顯看出，本文算法的ROC曲線位于其他幾種算法之上。由表3中場景一、場景二兩行可看出，本文算法的AUC值分別為0.999、0.963，與其他算法相比，本文算法的AUC值最高，這也與表2中的數(shù)據(jù)吻合。表3 平均AUC一行中，本文算法的AUC為0.981，相比于混沌不變算法CI的0.99略低，但由平均速度（fps）一行可知：CI算法每秒處理幀數(shù)小于5，而本文算法每秒可處理85幀視頻幀，CI算法在實(shí)時(shí)性方面不如本文算法。

表2 本文算法與參考文獻(xiàn)[7]算法、經(jīng)典算法的準(zhǔn)確率比較

表3 本文算法與其他算法的AUC比較(單位：mg/ml.min)

綜上說明，本文檢測算法可有效檢測視頻中的異常行為且具有較高的準(zhǔn)確率。

7 結(jié)束語

本文提出了一種基于EMS的人群異常行為檢測方法，算法通過對(duì)運(yùn)動(dòng)粒子的運(yùn)動(dòng)速度尺度與運(yùn)動(dòng)方向的相似性度量，將粒子聚類到對(duì)應(yīng)的LMNM，從而得到整個(gè)運(yùn)動(dòng)場景的MNM，而后經(jīng)過降維處理得到以粒子數(shù)為縱軸、LMNM為橫軸的MNM分布柱形圖，通過計(jì)算得到MNM的粒子熵EMS并將EMS作為異常判斷決策量，與合理閾值相比進(jìn)行異常行為檢測。實(shí)驗(yàn)表明，該方法可以實(shí)現(xiàn)對(duì)于異常行為的檢測，且有較高的檢測準(zhǔn)確率。針對(duì)光流法本身的復(fù)雜性，即使去除了一定量的光流塊，算法實(shí)時(shí)性仍有進(jìn)步空間。后續(xù)工作會(huì)嘗試實(shí)現(xiàn)對(duì)異常行為的檢測與定位。

[1] WANG W H, WANG X J. Research on the human motion analysis and key technology based on intelligent video surveillance[J]. Sensors & Transducers, 2013, 161(12): 98-106.

[2] ZHANG J, CHU Y X. Study on anomaly detection in crowd scene[C]// 4th International Conference on Mechatronics, Materials, Chemistry and Computer Engineering (ICMMCCE 2015), December 12?13, 2015, Xi’an, China. [S.l.:s.n.], 2015: 604-609.

[3] WANG H, FU R Q, LI N N, et al. Anomaly detection in crowds assisted by scene perspective projection correction[C]// IEEE International Conference on Information Science and Technology, April 26-28, 2014, Shenzhen, China. New Jersey: IEEE Press, 2014: 686-689.

[4] PATHAN S S, ALHAMADI A, MICHAELIS B. Incorporating social entropy for crowd behavior detection using SVM[J]. Lecture Notes in Computer Science, 2010(6453): 153-162.

[5] REN W Y, LI G H, CHEN J, et al. Abnormal crowd behavior detection using behavior entropy model[J]. Wavelet Analysis and Pattern Recognition, 2012: 212-221.

[6] SUSAN S, HANMANDLU M. Unsupervised detection of nonlinearity in motion using weighted average of non-extensive entropies[J]. Signal, Image and Video Processing, 2015, 9(3): 511-525.

[7] 潘磊. 基于圖像熵的密集人群異常事件實(shí)時(shí)檢測方法[J]. 計(jì)算機(jī)科學(xué)與探索, 2016, 10(7): 1044-1050.

PAN L. Real-time detection method of abnormal event in crowds[J]. Computer Science and Exploration, 2016, 10(7): 1044-1050.

[8] CHAKER R, AGHBARI Z A, JUNEJO I N. Social network model for crowd anomaly detection and localization[J]. Pattern Recognition, 2016(61): 266-281.

[9] BAUER N, PATHIRANA P, HODGSON P. Robust optical flow with combined lucas-kanade/horn-schunck and automatic neighborhood selection[C]// International Conference on Information and Automation, December 15?17, 2006, Hong Kong, China. New Jersey: IEEE Press, 2006: 378-383.

[10] WANG D, ABDELZAHER T, KAPLAN L. Chapter 8-understanding the social network[M]. Amsterdam: Social Sensing Elsevier Inc. 2015: 129-151.

[11] LI LY, LI D R. Fuzzy entropy image segmentation based on particle swarm optimization[J]. Progress in Natural Science: Materials International, 2008, 18(9): 1167-1171.

[12] 勞義. 我國男子百米技術(shù)差異分析——以亞運(yùn)會(huì)男子100米冠軍勞義和世界紀(jì)錄保持者博爾特為比較案例[D]. 南昌: 江西師范大學(xué), 2015.

LAO Y. Analysis of the different between the men’s 100 meter technology in China—in the asian games in the men’s 100 meters champion of LAO Yi and world record holder BOLT as a comparison case[D]. Nanchang: Jiangxi Normal University, 2015.

[13] 科學(xué)網(wǎng). 空中漫步助力宇航服設(shè)計(jì)[J]. 科技創(chuàng)新導(dǎo)報(bào), 2014(30): 2.

Science network. Space walk booster space suit design[J]. Science and Technology Innovation Herald, 2014(30): 2.

[14] 周潔, 郭立君, 張榮. 基于粒子熵值的異常行為檢測[J]. 無線電通信技術(shù), 2015, 41(3): 66-68.

ZHOU J,GUO L J, ZHANG R. Abnormal behavior detection based on particle entropy[J]. Radio communication technology, 2015, 41(3): 66-68.

[15] University of minnesota. Unusual crowd activity dataset of university of minnesota[EB/OL]. (2006?10?25)[2015?08?29]. http: / /mha.cs.umn.edu / movies / crowd activity-all.avi.

[16] OZTURK A, ARSLAN A. Classification of transcranial doppler signals using their chaotic invariant measures[J]. Computer Methods & Programs in Biomedicine, 2007, 86(2):171-180.

[17] MEHRAN R, OYAMA A, SHAH M. Abnormal crowd behaviordetection using social force model[C]// IEEE Conference on Computer Vision and Pattern Recognition, June 20?25, 2009, Miami, USA. New Jersey: IEEE Press, 2009: 935-942.

[18] 王汗三, 陳杰. 稀疏重構(gòu)算法[J]. 電子科技, 2013, 26(5): 106-108.

WANG H S, CHEN J. Sparse reconstruction slgorithm[J]. Electronic Science & Technology, 2013, 26(5): 106-108.

Crowd abnormal behavior detection based on motion similar entropy

LI Fei, CHEN Ken, LI Meng, GUO Chunmei

Institute of Communication Technology, Ningbo University, Ningbo 315211, China

It is an important research content of graphic processing in the field of intelligent video surveillance to detect abnormal events. An algorithm based on entropy of motion similarity (EMS) to detect abnormal behavior was proposed. Based on the optical flow algorithm, taking the bottom flow block as the basic unit to get the scene motion information, according to the concept of social network model, the construction scene of the motion network model (MNM) was proposed, the division of the scene particles motion similarity was completed, and the distribution EMS of MNM was calculated in the time domain. Finally, the obtained image entropy was compared with the reasonable threshold, to determine whether abnormal behavior occured. Experimental results indicate that the proposed algorithm can detect abnormal behavior effectively and show promising performance while comparing with the state of the art methods.

crowd abnormal detection, entropy of motion similarity, motion network model, image entropy, optical flow method

TP391

A

10.3969/j.issn.1000?0801.2017117

2017?02?22；

2017?04?26

國家自然科學(xué)基金資助項(xiàng)目（No.60972063）；寧波市自然科學(xué)基金資助項(xiàng)目（No.2014A610065），寧波大學(xué)科研基金（理）/學(xué)科資助項(xiàng)目（No.XKXL1308）

The National Natural Science Foundation of China (No.60972063), The Natural Science Foundation of Ningbo of China (No.2014A610065), Scientific Research Foundation of Ningbo University (No.XKXL1308)

李斐（1992?），女，寧波大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)橐曨l圖像處理、監(jiān)控視頻中的人群異常分析與檢測、多媒體通信技術(shù)。

陳懇（1962?），男，寧波大學(xué)信息科學(xué)與工程學(xué)院副教授、碩士生導(dǎo)師，在核心期刊和重要國際會(huì)議發(fā)表論文100多篇，參與和主持國家級(jí)、省部級(jí)、市廳級(jí)和校級(jí)科研項(xiàng)目共16項(xiàng)，獲得相關(guān)科研相關(guān)獎(jiǎng)項(xiàng)3項(xiàng)，主要研究方向?yàn)閳D像及視頻信息處理、多媒體通信、智能控制。

李萌（1992?），女，寧波大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)楸O(jiān)控視頻中的人群異常分析與檢測、多媒體通信技術(shù)。

郭春梅（1990?），女，寧波大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)橐曨l跟蹤、多媒體通信技術(shù)。