基于光流直方图和稀疏表示的群体异常检测

摘要

在公共安全领域，群体场景下的异常检测非常重要，正得到越来越多领域(如物理学、社会学、图像学、计算机视觉等）研究者的关注。群体行为的研究目的在于理解视频监控中的群体行为，不同的研究角度有不同的解释。在计算机视觉领域，对于群体行为分析主要是对行为进行分类判别[1]。
　　传统行为分析研究主要是针对单个人进行建模，通常假定为背景、光照等不发生改变，且运动对象的运动模式相对固定的理想状态下。但由于公共领域特别是人群密集的公共场所（如机场，地铁站等）中人数众多且人与人之间存在大量遮挡[2]，传统方法应用在这类场景中往往出现识别效果不稳定、错误检测率高等问题。为了解决传统分析方法不适用于此类人群密集场景的问题，本文研究针对群体异常行为检测的分析方法，分析多种不同场景下的群体异常行为，对群体中突然出现的聚集、四散、奔跑和打架等突发异常事件进行检测。
　　过去的行为分析研究中所用到的运动模型大多没有考虑到帧与帧之间运动特征的时间连续性，提取特征所含运动信息较少。本文提出一种新的特征描述子，称为运动学光流直方图。其在传统光流直方图基础上引入了加速度信息。传统光流直方图只能表示多个方向光流大小的统计特征，而本文所提出的运动学光流直方图不仅能表示不同方向的光流的分布，还能表示出光流在不同方向的改变情况。这使得运动特征的表示更加丰富。本文还引入了时空区域视觉显著性确定方法，通过分析每一帧的光流特征来追踪有效的运动信息，从而只提取有效的运动区域作为样本，有效地降低了计算开支。本文中还将稀疏表示理论应用于群体异常行为检测，引入稀疏重构代价来判别异常行为[3]。稀疏表示相对于过去一般所使用的分类方法，其特点主要表现在速度快、识别率高、识别效果稳定。针对UMN和UCSD数据集以及自拍视频的实验结果显示:本文方法能有效识别各类异常，且识别效果优于现有算法。
　　本文研究工作主要分为以下两个部分:
　　(1)基于传统光流直方图改进的运动学光流直方图
　　光流法是非常具有代表性的运动特征提取方法，是动态特征描述方法的一种，有着广泛的应用。假设视频中前后两帧中所对应的像素点的灰度均不发生改变，计算视频中运动对象的瞬时速度场来表示该对象的运动状态。Wang等[4]利用光流直方图(HOF)来表示运动的方向和速度的统计信息，Cong等[3]提出了多尺度光流直方图(MHOF)，对不同尺度的光流分开统计。然而，他们特征表示中均没有包含到运动信息当中非常重要的特征，即加速度。在我们的研究中，异常行为往往表现为对象的快速运动（如奔跑、人群中快速驶过的车辆等）和运动对象的突然加速或减速（如人群惊慌四散、殴打等）。本文中，我们提出了新的运动特征描述子运动学光流直方图。传统的光流直方图方法是首先对图像块计算光流，然后统计多个方向的光流分布情况。本文所提出的运动学光流直方图方法不仅要统计光流在不同方向的分布情况，而且要计算各个方向光流大小的改变情况，即运动对象在各个方向的加速度。
　　(2)基于稀疏表示的群体异常行为识别
　　稀疏表示相关理论近年来被广泛应用。稀疏表示是基于过完备字典的稀疏分解，采用冗余原子构造字典，而不是采用传统的正交基。在一些领域，稀疏表示已取得了相当出色的应用效果:利用稀疏表示系统重构图像[5]，用重构误差进行人脸识别[6];融合稀疏表示进行单人的人体行为识别[7]等。本文中，我们将稀疏表示理论应用于群体异常行为检测。实验结果显示稀疏表示相对于过去所用的分类方法，速度更快、识别率更高、识别效果更稳定。稀疏表示非常适合于训练样本少、特征维数高的分类情况，我们引入稀疏表示方法来进行异常行为识别，利用正常行为模式所构造的过完备字典，通过稀疏重构代价判定异常行为。
　　实验显示本文方法能有效地识别各种异常事件（如奔跑、人群中快速驶过的车辆、惊慌四散、殴打等）。由于本文中还运用了时空区域视觉显著性提取的方法，使得冗余的样本数量显著减少，在不影响检测效果的前提下，较大地提高了检测速率。同时，运用我们所提出的运动学光流直方图特征描述子，能够检测出一些其他方法不易检测的特殊异常（对象突然加速或减速的动作）。同时，由于本文方法所提取的特征包含更丰富的运动信息，能够有效地提高检测率，从而减少异常的误判。

目录

摘要

第1章 绪论

1．1 研究背景与意义

1．2 研究现状

1．3 本文研究内容

1．4 本文组织结构

第2章 运动特征提取

2．1 背景差分法

2．1．1 算法介绍

2．1．2 背景建模方法

2．1．3 算法步骤

2．1．4 算法优缺点

2．2 帧间差分

2．2．1 算法介绍

2．2．2 算法步骤

2．2．3 算法优缺点

2．3 光流法

2．3．1 算法介绍

2．3．2 光流计算的原理

2．3．3 算法优缺点

2．3．4 光流计算算法

2．3．5 实验

第3章 行为建模

3．1 群体异常行为的界定

3．2 行为建模方法

3．2．1 时空梯度模型

3．2．2 局部时空动作模型

3．2．3 光流直方图

3．2．4 运动学光流直方图

3．3 实验

3．3．1 KL散度(Kullback-Leibler divergence)

3．3．2 自组织映射(SOM)

3．3．3 实验结果与分析

第4章 稀疏表示

4．1 稀疏表示简介

4．2 稀疏分解算法

4．2．1 凸松弛法

4．2．2 贪婪法

4．3 稀疏表示的应用

第5章 基于稀疏表示的群体异常行为检测

5．1 时空区域视觉显著性提取

5．2 稀疏重构代价

5．3 实验与分析

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

声明