張綠云 唐鳳仙

（河池學(xué)院，廣西 宜州 546300）

基于梯度的擁擠場(chǎng)景異常檢測(cè)算法

張綠云 唐鳳仙

（河池學(xué)院，廣西 宜州 546300）

針對(duì)在極度擁擠場(chǎng)景下，由于場(chǎng)景中包含了過(guò)多的人和物，同時(shí)由于人力的限制，無(wú)法快速找出異常行為的問(wèn)題，提出了一種基于梯度的擁擠場(chǎng)景異常檢測(cè)算法，該方法通過(guò)將視頻進(jìn)行分割，然后提取梯度信息，計(jì)算高斯模型參數(shù)，再應(yīng)用SOM（自組織映射）進(jìn)行分類從而找出異常行為。

梯度；異常檢測(cè)；SOM

近年來(lái)，對(duì)于安全敏感的公共領(lǐng)域（如機(jī)場(chǎng)，地鐵站等）的視頻監(jiān)控，群體場(chǎng)景下的異常行為自動(dòng)檢測(cè)正變得越來(lái)越重要。傳統(tǒng)行為分析方法依賴于普通環(huán)境中的個(gè)體分割和跟蹤。但由于大量的人和頻繁的擁堵，這些方法在群體場(chǎng)景中的應(yīng)用都失敗了。計(jì)算機(jī)視覺(jué)領(lǐng)域?qū)θ后w行為分析的興趣正在增漲。已經(jīng)有幾種方法被提出來(lái)了。Andrade等結(jié)合PCA、普聚類和HMM來(lái)對(duì)群體場(chǎng)景進(jìn)行建模[1]，并對(duì)模擬數(shù)據(jù)中的中斷退出事件進(jìn)行檢測(cè)。Mehran等用social force模型來(lái)捕獲群體中的相互作用，同時(shí)用LDA對(duì)常規(guī)行為進(jìn)行建模并檢測(cè)異常行為[2]。Saxena等提出選擇和追蹤的人群特征點(diǎn)并開(kāi)發(fā)最終用戶的情況[3]來(lái)檢測(cè)群體異常，而不是使用一般群體模型。

同時(shí)隨著視頻監(jiān)控設(shè)備成本的下降，進(jìn)而可以存儲(chǔ)的視頻數(shù)據(jù)也越來(lái)越多，但是沒(méi)有足夠的人力來(lái)操作這些過(guò)量的信息。在極度擁擠的場(chǎng)景中， 過(guò)多的人和他們的行為需要被監(jiān)控，這對(duì)觀察者來(lái)說(shuō)是一個(gè)極大的挑戰(zhàn)，用來(lái)幫助人類觀察者的計(jì)算方法必須能夠成功處理在現(xiàn)實(shí)世界領(lǐng)域存在的擁堵現(xiàn)象。

過(guò)多的人和物造成了極度擁堵現(xiàn)象，而這種現(xiàn)象對(duì)人類來(lái)說(shuō)是一種挑戰(zhàn)。行人的不規(guī)則移動(dòng)造成了嚴(yán)重遮擋，位于場(chǎng)景中的物體有助于分析每個(gè)人的行為作為我們的需求任務(wù)，即便對(duì)于現(xiàn)代的計(jì)算機(jī)系統(tǒng)也是如此。并且監(jiān)控?cái)z像頭記錄下的畫(huà)面覆蓋了大面積區(qū)域并包括了大量的人。因此，一個(gè)計(jì)算方法必須能夠?qū)⑽挥诓煌瑓^(qū)域內(nèi)的體系進(jìn)行活動(dòng)分離，并同時(shí)保留包括整個(gè)場(chǎng)景在內(nèi)的結(jié)構(gòu)信息。

大多數(shù)用于識(shí)別視頻序列中不正常事件的方法僅能夠識(shí)別由小部分物體組成的序列，在每一幀中，極度擁擠的場(chǎng)景包含了成百的人，甚至在整個(gè)視頻序列中包含上千的人。普遍的視頻分析場(chǎng)景如PEST2007數(shù)據(jù)庫(kù)，即使在最擁擠的場(chǎng)景里也只是包含了不到一百的人物。其主要是集中于分析整個(gè)視頻幀或者抽取物體的一些特定信息。

在本文中，通過(guò)在極度擁擠的場(chǎng)景里將視頻進(jìn)行分割成多個(gè)小長(zhǎng)方體，然后計(jì)算小長(zhǎng)方體內(nèi)的像素梯度信息，再計(jì)算其均值和協(xié)方差，本文的主要?jiǎng)?chuàng)新點(diǎn)在于最后通過(guò)SOM法進(jìn)行分類找出異常行為，從而實(shí)現(xiàn)異常行為的檢測(cè)。

1 算法的詳細(xì)過(guò)程

1.1 視頻分割

在一幀內(nèi)，極度擁擠場(chǎng)景包含了在不同位置發(fā)生的許多獨(dú)立活動(dòng)，這些活動(dòng)放在一起構(gòu)成了整個(gè)視頻的潛在結(jié)構(gòu)。通過(guò)將視頻劃分成固定大小的局部時(shí)空容器，筆者把它稱之為長(zhǎng)方體。筆者為每一個(gè)視頻的時(shí)空體積用一個(gè)緊湊的運(yùn)動(dòng)模式來(lái)表示，并識(shí)別一些非典型的運(yùn)動(dòng)模式，有效得捕捉整個(gè)視頻的運(yùn)動(dòng)結(jié)構(gòu)。

1.2 抽取時(shí)空梯度特征并計(jì)算其高斯模型參數(shù)

在極度擁擠的場(chǎng)景里，構(gòu)建運(yùn)動(dòng)模式是一個(gè)極度大的挑戰(zhàn)，行人的數(shù)量導(dǎo)致一些局部活動(dòng)遮擋，在每一個(gè)區(qū)域內(nèi)的

活動(dòng)是非均勻的。筆者希望以一種緊湊的方式來(lái)表示長(zhǎng)方體內(nèi)的非均勻局部時(shí)空運(yùn)動(dòng)模式，這對(duì)于含有豐富信息的運(yùn)動(dòng)模式來(lái)說(shuō)，是行不通的。筆者使用時(shí)空梯度分布作為基礎(chǔ)表示，對(duì)于長(zhǎng)方體內(nèi)的每一個(gè)像素I，計(jì)算時(shí)空梯度[4]

其中x,y,t為視頻的水平、垂直、時(shí)間維數(shù)。長(zhǎng)方體內(nèi)的每一個(gè)像素的時(shí)空梯度放到一起表示特征運(yùn)動(dòng)模式，筆者構(gòu)建梯度的三維高斯分布，其中

為了捕捉到場(chǎng)景的潛在運(yùn)動(dòng)結(jié)構(gòu)，筆者希望確定典型的運(yùn)動(dòng)模式表示并在長(zhǎng)方體中抽取運(yùn)動(dòng)變量。為了能夠在局部的時(shí)空運(yùn)動(dòng)模式進(jìn)行辨別，筆者使用對(duì)稱的KL散度。和

1.3 應(yīng)用SOM找出異常行為

自組織映射(SOM)[5]由Kohonen提出，其是一個(gè)廣受歡迎的簇集和數(shù)據(jù)可視化工具，其在一些用于檢測(cè)異常行為的實(shí)際應(yīng)用中有著廣泛的應(yīng)用。

SOM所擁有的特點(diǎn)，使其適合于對(duì)各種群體行為模式進(jìn)行建模。首先，它按拓?fù)漤樞蛴?jì)算特征向量，這使得與某一特定輸入模式域相關(guān)的點(diǎn)陣中的神經(jīng)元的空間位置和一個(gè)神經(jīng)元的鄰域表現(xiàn)出了相似特征，能容忍某種通過(guò)平滑變換得到的不同模式間的變化程度。這種特性對(duì)解釋正常模式的多模態(tài)是有用的。此外，控制一個(gè)神經(jīng)元的更新僅僅需要兩個(gè)參數(shù)，學(xué)習(xí)速率和鄰域的大小。通過(guò)恰當(dāng)?shù)馗淖冞@些參數(shù)，增量學(xué)習(xí)可以根據(jù)新的輸入模式來(lái)實(shí)現(xiàn)。

筆者使用公開(kāi)的UMN數(shù)據(jù)庫(kù)來(lái)進(jìn)行測(cè)試，SOM參數(shù)值，取K=8，ηmax＝0.1，dmax=10，α＝β＝0.1，在SOM迭代的步驟過(guò)程中，從池中隨機(jī)抽取一個(gè)樣本，應(yīng)用在線更新方法對(duì)獲勝的神經(jīng)元進(jìn)行更新，然后確定一個(gè)高斯分布距離值來(lái)找出μdist和σdist其作為用于選擇一個(gè)正確的檢測(cè)閾值μTH和σTH的標(biāo)準(zhǔn)線。如果一個(gè)樣本和它獲勝的神經(jīng)元之間的距離大于μTH+2σTH,其被分類為不正常。

2 實(shí)驗(yàn)結(jié)果

筆者將本文算法和基于光流的方法進(jìn)行比較，將檢測(cè)異常行為正確率和錯(cuò)誤檢測(cè)率進(jìn)行比較，實(shí)驗(yàn)視頻從UMN數(shù)據(jù)庫(kù)視頻選取。

圖1 正常走路圖

圖2 奔跑四散圖

其中圖1中的正常走路表示正常情況，圖2中的奔跑四散表示異常情況，實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果

其中video1表示UMN視頻中的第一段，依此類推，總共取10段視頻進(jìn)行實(shí)驗(yàn)。

3 結(jié)論

從實(shí)驗(yàn)結(jié)果可以看出，本文中的方法的誤檢率和異常檢測(cè)率和光流方法幾乎差不多，但是從時(shí)間上進(jìn)行比較，本文方法比光流方法耗時(shí)少，驗(yàn)證了本文方法的有效性。雖然本文方法在時(shí)間上比光流方法耗時(shí)少，但是耗時(shí)還是過(guò)長(zhǎng)，因此在效率方面還有待提高。

壓吸引［7］，但本案例的患者口腔分泌物過(guò)多，護(hù)士不能時(shí)刻在患者身旁護(hù)理，注射器抽吸消耗人力物力，硅膠吸痰管管徑過(guò)小，吸引范圍小，不能充分吸引，導(dǎo)致口腔分泌物囤積，且如固定不牢，硅膠吸痰管直接接觸口腔黏膜負(fù)壓吸引時(shí)可能在一定程度上損傷黏膜，將進(jìn)一步加重口腔感染。

一次性組合式吸痰管，口徑大于普通吸痰管，頂端有海綿條，材質(zhì)柔軟，不易損傷口腔黏膜。海綿采用波紋及平面雙重設(shè)計(jì)，摩擦系數(shù)大，而且耐酸堿腐蝕。在海綿的四周都設(shè)有吸引孔，可防止堵塞，能及時(shí)有效地進(jìn)行吸引，減少誤吸的發(fā)生。其手柄為防滑半透明硬桿，具有弧度設(shè)計(jì)，符合口腔生理解剖，擦拭面廣。頂端的海綿條在沖洗口腔的同時(shí)對(duì)牙齦和口腔粘膜進(jìn)行擦洗，從而更有效地清除牙菌斑和口腔分泌物。使用組合式吸痰管進(jìn)行口腔分泌物引流及口腔沖洗時(shí)省時(shí)省力，對(duì)減少口腔殘留物、口腔異味，提高口腔清潔度方面有非常好的臨床效果。同時(shí)，使用持續(xù)低負(fù)壓吸引可及時(shí)吸除口腔內(nèi)分泌物，杜絕流涎現(xiàn)象，從而保持了面部皮膚的清潔干燥，增加了患者的舒適度。

呼吸機(jī)相關(guān)性肺炎是重癥監(jiān)護(hù)病房?jī)?nèi)最常見(jiàn)的感染，一旦出現(xiàn)呼吸機(jī)相關(guān)性肺炎，不但延長(zhǎng)住院時(shí)間，增加住院費(fèi)用，甚至對(duì)患者生命產(chǎn)生威脅，故在臨床護(hù)理上尤其需要注意預(yù)防。

[1] 蔡少華.呼吸機(jī)相關(guān)肺炎的預(yù)防新策略[M].國(guó)外醫(yī)學(xué)·內(nèi)科學(xué)分冊(cè),2000,6(27) : 242-245.

[2] 邱海波.ICU主治醫(yī)師手冊(cè)[M].南京:江蘇科學(xué)技術(shù)出版社,2007.

[3] Blot Stijn,Vandijck Dominique,Labeau Sonia. Oral care of intubated patients[J].Clinical Practice Management,2008, 15(3):153-160.

[4] 陳進(jìn)文,杜正隆,寧成誠(chéng),等.口腔沖洗加涂擦法在經(jīng)口氣管插管患者口腔護(hù)理中的應(yīng)用[J].護(hù)士進(jìn)修雜志,2011, 26(23):134-136.

[5] 樊明文.口腔生物學(xué)[M].北京:人民衛(wèi)生出版社,1996.

[6] 周海燕,徐彩娟.自制持續(xù)吸引管防止口腔分泌物外溢的效果觀察[J].護(hù)理與康復(fù),2008,7(4) :286-287.

[7] 朱曉燕,魏薇萍,管佳慧,等.經(jīng)口氣管插管患者口腔持續(xù)低負(fù)壓吸引的效果觀察[J].蚌埠醫(yī)學(xué)院學(xué)報(bào),2012,37(5): 604-605.

【參考文獻(xiàn)】

[1] E. L. Andrade,S. Blunsden, and R. B. Fisher. Modeling crowd scenes for event detection[J]. In Proc. International Conf. on Pattern Recognition, 2006:175-178.

[2] Mehran, R., Oyama, A.,Shah,M. Abnormal crowd behavior detection using social force model[J]. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition,2009: 935-942.

[3] S.Saxena, F. Bremond, M. Thonnat,R. Ma. Crowd behavior recognition for video surveillance[J].Lecture Notes on Computer Science,2008,(5259):970-981.

[4] Louis Kratz, Ko Nishino. Anomaly Detection in Exteremely Crowded Scenes Using Spatio-Temporal Motion Pattern Modeles[J]. IEEE,2009:1446-1453.

[5] Jie Feng,Chao Zhang,Peng Wei Hao. Online Learning with Self-Organizing Maps for Anomaly Detection in Crowd Scenes[J]. International Conference on Pattern Recognition, 2010:3599-3602.

Anomaly Detection in Extremely Crowded Scenes basing on gradient

In extremely crowded scenes, there are too many people and objects, and because of the constraint of manual labor. It's difficult to find the abnormal behavior. Anomaly detection in extremely crowded scenes basing on gradient is proposed in this paper. Firstly the video is divided, then the gradient information is extracted and the parameters of the Gaussian model are calculated. Lastly the abnormal behaviors are found out by using SOM to classify.

gradient; anomaly detection; SOM

TP391.4

A

1008-1151(2015)03-0040-02

2015-02-13

河池學(xué)院青年課題(2014QN-N010)；河池學(xué)院“計(jì)算機(jī)網(wǎng)絡(luò)與軟件新技術(shù)”重點(diǎn)實(shí)驗(yàn)室（院科研[2013]3號(hào)）。

張綠云（1987－），女，河池學(xué)院助教，碩士，研究方向?yàn)閳D像識(shí)別；唐鳳仙（1977 －），女，河池學(xué)院教師，碩士，研究方向?yàn)閳D像識(shí)別。