智能视频监控中人群密度分析及突发异常行为检测

摘要

当今社会环境中，人群场景逐渐普遍化、多样化、复杂化，随之而来有关人群的公共管理与公共安全问题日渐严峻，这给监管人员带了巨大的挑战。人群密度估计与突发异常行为检测是智能人群监控系统中最为重要的研究内容，国内外学者对此已做了大量的工作，但仍然存在一些问题。人群密度估计算法中，在描述人群纹理特征时，只考虑图像的整体特征而忽略了图像的局部细节，使得对图像纹理的描述不够全面，同时对人群密度等级分类器的训练过程还需进一步的优化;人群突发异常的检测算法中，多数检测模型不能较好的描述人群运动状态的变化特征，在人群突然发生异常时跟踪不及时，人群异常特征描述不显著。
　　针对上述问题，本文分别提出了改进方法:采用融合局部与整体灰度共生矩阵(GLCM)的描述算子对人群纹理进行描述;在分类器的训练过程中，基于贝叶斯估计对异常样本进行滤除，并且改进了基于K-means聚类的迭代训练算法;对于人群突发异常检测，建立了基于瞬时能量特征的突发异常检测模型。论文的具体工作如下:
　　1、结合前景像素特征与纹理特征的人群密度估计算法。首先根据透视模型将感兴趣的前景图像按比例进行分块，然后对分块内图像中前景像素所占比例进行统计，将特定的面积占比作为选择阈值，当小于阈值时采用基于前景像素的回归统计算法，反之则采用基于纹理特征的机器学习算法。采用融合局部与整体灰度共生矩阵(GLCM)的描述算子提取视频图像中人群的纹理特征，构成特征向量对人群密度进行分类。在训练支持向量机模型的过程中，采用基于贝叶斯估计的方法对异常样本进行滤除，然后基于改进K-means聚类的迭代训练算法训练获得人群密度等级分类器。
　　2、基于瞬时能量特征的人群突发异常检测算法。本文提出了基于像素统计分析的运动特征点提取方法，使得提取的特征点更具有代表性，该方法首先将视频进行网格化处理，然后利用混合高斯模型建立视频的背景模型，利用背景减的方法获得前景运动区域，最后根据网格内的前景像素占比获取运动特征点。基于网格内的运动特征点构建人群的瞬时能量特征，首先利用光流法获得网格内特征点的运动矢量，然后计算网格的基本能量特征，最后建立人群的瞬时能量特征对人群突发异常进行检测。
　　通过仿真实验得出，采用融合局部与整体灰度共生矩阵的纹理特征描述算子，平均分类准确率达到了96.2％;采用基于贝叶斯估计的方法滤除异常样本后的训练集对分类器进行训练，平均分类正确率提升至98％;采用改进K-means聚类的迭代训练方法，使得训练时间降低至2.4s，测试时间降低至43.9ms;在分别与基于动能特征和基于社会力模型的对比实验中，基于瞬时能量的人群突发异常检测算法无论是在异常发生时的响应速度还是对人群运动状态变化的描述，都显示出了突出的优越性。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景与意义

1．2 人群智能监控概述

1．3 人群智能监控研究现状

1．3．1 人群密度等级分类研究现状

1．3．2 人群异常检测研究现状

1．3．3 研究现状总结

1．4 本文的工作内容及安排

2 人群密度等级分类算法

2．1 算法概述

2．2 图像预处理

2．2．1 图像子块的划分

2．2．2 图像子块的预处理与标定

2．2．3 融合局部与整体灰度共生矩阵的纹理特征描述

2．3 基于前景像素统计的回归算法

2．4 基于纹理特征的学习分类算法

2．4．1 支持向量机模型的建立

2．4．2 基于贝叶斯估计的异常样本滤除

2．4．3 基于改进K-means聚类的迭代训练算法

2．5 本章小结

3 基于瞬时能量特征的人群异常检测

3．1 基于像素统计分析的运动特征点提取

3．1．1 视频图像的网格化处理

3．1．2 前景运动区域检测

3．1．3 运动特征点获取

3．2 基于光流的运动特征提取

3．2．1 光流法的基本原理

3．2．2 Lucas-Kanade光流算法

3．2．3 获取网格的运动向量

3．3 基于瞬时能量特征的人群异常检测

3．3．1 人群的基本能量特征

3．3．2 人群的瞬时能量特征

3．3．3 人群的异常检测

3．4 本章小结

4 实验与分析

4．1 人群密度等级分类算法的实验分析

4．1．1 纹理特征描述及总体算法性能的实验分析

4．1．2 异常样本滤除对分类性能的影响

4．1．3 改进迭代训练算法对训练效率的提升

4．2 人群异常检测模型的实验分析

4．2．1 获取视频图像瞬时能量特征

4．2．2 确定异常检测相关阈值

4．2．3 人群异常检测的实验分析

4．3 本章小结

5 结论与展望

5．1 论文工作总结

5．2 下一步工作展望

参考文献

作者简历

学位论文数据集