基于條紋流的視頻監(jiān)控中人群模型的搭建

張宏

視頻監(jiān)控中人群流動模式與流體中粒子群的運動模式類似的，將流體力學中的條紋流模型引人到視頻監(jiān)控領域，可以有效的解決該領域存在的模型建立困難，從而提高在視頻監(jiān)控中行為識別的正確率。

【關鍵詞】智能監(jiān)控 條紋流 模型建立

由于公共安全事件頻發(fā)，智能視頻監(jiān)控作為成為了當前的研究熱點。但是由于視頻監(jiān)控場景特殊，傳統(tǒng)分割的方法無法真正的適用，異常檢測效率低下。通過對相關方法的研究和學習發(fā)現，導致以上方法的缺陷的主要原因在于，人群建模不完善，產生冗余特征。因此，本文提出了基于條紋流的模型打架方法，從而找到有效的特征，從而最大程度提升視頻監(jiān)控當中的準確性。

1 條紋流模型

條紋流了粒子流動的特點，如圖1所示描述了人群的運動特征，而流體中存在兩個標量勢函數（流函數和速度勢函數）可以專門用來描述流體的流動特征，人群流動行為中也同樣存在這樣的勢函數。流函數可以作為空間異常檢測的參考依據。速度勢函數反映人群運動時間異常。

2 條紋流

條紋線的基礎是光流，直接使用光流計算會產生較大誤差。我們引入一個新的運動流場——條紋流。條紋流封裝了流場在一段時間內的運動信息，能夠體現流動過程中較快的變化，給定一組矢量數據，某像素點的條紋流可以通過其鄰接像素條紋流逼近，計算公式參照公式1。對集合中所有數據點分別進行線性插值，就可以得到一個線性系統(tǒng)方程（公式2），求解該系統(tǒng)的最小二乘解，即可計算得到條紋流F。

ui=a1us （k1）+a2us （k2）+a3us （k3） （1）

其中，ki是鄰接像素的序號，aj 是已知的與第j個鄰接像素對應的三角基函數。

Aus=U （2）

其中，公式2中的aj是矩陣A的元素；us是線性系統(tǒng)的最小二乘解，也是條紋流一個方向的速度。本項目提出使用格林函數法（GFM）計算勢函數，該方法簡單易行，計算方便。格林函數法以卷積運算為基礎，速度勢函數和流函數具體計算過程參照公式3和4。

φ（r）=∫τ ▽G（r-r'）·F（r'）dr' （3）

φ（r）=∫τ▽×G（r-r'）·vf （r'）dr' （4）

其中，r是坐標矢量：r=（x，y）；F（r'）表示矢量在位置r'處的速度：F（r'）=（u，v）；G（r-r'）表示格林函數。

速度勢函數和流函數都是標量函數。流函數提供了流場穩(wěn)定無散的信息，其對應的輪廓線（流線）可以優(yōu)化運動區(qū)域分割的邊界，通過兩者確定出感興趣（ROI）的運動區(qū)域，從而完成對于人群模型的擬合。

3 實驗驗證

實驗主要將本文方法獲取到的特征分別運用到不同的行為識別方法當中MDT、 Adam，利用ROC曲線來進行分析對比，通過圖2我們可以發(fā)現，不論是在UCSD數據集或者是在UMN數據集當中我們都的方法都可以有效的提高檢測準確性，但是在UMN數據集中，我們的方法穩(wěn)定性不高，具有較大的波動，為了探究其原因我們需要更進一步的進行探索和研究。

4 總結

通過相關理論和實驗數據的驗證，我們可以得出使用基于條紋流的模型可以最大限度的擬合出視頻監(jiān)控中的人群行為，該方法對于視頻檢測中的人群特征提取有較好的作用，可以普遍的提高監(jiān)控視頻當中對于人群行為的分析效果，有效的提高人群行為識別的準確率。

參考文獻

[1]Ali，S.，Shah，M.：A Lagrangian Particle Dynamics Approach for Crowd Flow Segmentation and Stability Analysis.In：IEEE Conference on Computer Vision and Pattern Recognition，2007）.

[2]V.Mahadevan，W.Li，V.Bhalodia，and N.Vasconcelos，“Anomalydetection in crowded scenes，”in Proc.CVPR，2010.

[3]E.S.I.R.D.Adam and A.Rivlin，“Robust real-time unusual event detection using multiple fixed-location monitors，”IEEE Trans.Pattern Anal. Mach.Intell.，2008.

作者單位

同濟大學軟件學院 上海市 201804endprint