基于公共监控场景的人群异常事件检测

摘要

随着“平安社会”、“平安校园”等项目在全国范围内的不断普及，智能化的监控技术在公共安全领域中起着至关重要的作用，异常事件检测是提高安防智能化水平的核心技术之一，在公共安全等领域具有重要意义。 在监控视频中异常事件的发生属于小概率事件，其种类多样且不易获取，因此很难获得大量对等的正常事件和异常事件，同时，特性不同的异常事件，其发生的概率也不相同，数据量的不均衡是训练获得良好分类模型的难点。因此，本文的主要工作内容如下： 1)异常事件属于小概率事件，这些小概率事件包括外观异常、能量异常和方向异常。本文将去均值和归一化后的像素信息作为物体的外观特征，光流能量对应的模糊隶属度值作为物体的能量特征，光流方向对应的模糊隶属度值作为物体的运动特征，将它们线性融合之后能更好的表达该物体的信息。 2)针对一些小概率异常事件仍存在明显漏检现象，而光流信息包含物体较为丰富的运动信息，但是异常事件是不确定事件，无法直接根据光流信息对其进行准确判据，故本文引入了光流能量模糊隶属度和光流方向模糊隶属度的概念，统计训练数据中出现的光流分布与对应的频数的关系，出现频数极高的光流值为正常事件的可能性最高，计算对应的模糊隶属度值进而拟合出隶属度函数，由此得到任意光流能量和光流方向对应正常事件下的模糊隶属度值。 3)针对异常事件检测中数据量不平衡的问题，本文采用卷积自编码网络，对容易获取的正常事件构造模型，该网络的输入不是仅包含单帧特征，而是将连续图像帧特征的组合作为输入，经过时序卷积操作后运动信息可有效被编码到网络结构中，训练出的模型可以很好的对正常事件进行重构，在测试阶段，利用训练好的模型对测试数据进行重构，误差较小的为正常事件的可能性较大，反之为异常事件，此方法可有效解决数据量不对等的问题。 本文算法在标准数据集下的实验结果验证了本文方法对小概率异常事件检测的有效性。

目录

第一个书签之前