李銳

摘 要：近年來，視頻監(jiān)控的應(yīng)用范圍日漸廣泛，應(yīng)用過程中，常有中小群體異常行為出現(xiàn)，需及時進(jìn)行檢測，在此過程中，傳統(tǒng)的檢測方法場景適應(yīng)與實(shí)時性的平衡難以實(shí)現(xiàn)。因此，該文基于機(jī)器學(xué)習(xí)角度，將一種通過群體密度、運(yùn)動特征來對異常行為進(jìn)行檢測的方法提出，應(yīng)用對群體密度進(jìn)行快速估計的方法來對群體的密度特征進(jìn)行提取，群體運(yùn)動特征則應(yīng)用局部稠密光流法來進(jìn)行提取，與密度特征相結(jié)合，對群體異常行為的識別以隨機(jī)森林計算法來實(shí)現(xiàn)。

關(guān)鍵詞：視頻監(jiān)控 中小群體 異常行為 檢測

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2017）03（a）-0058-02

現(xiàn)階段，對監(jiān)控視頻中群體異常行為進(jìn)行檢測的模型大多還有一些問題存在，一方面，實(shí)時性與場景適應(yīng)性的平衡難以實(shí)現(xiàn)，對模型進(jìn)行檢測需要耗費(fèi)大量時間，這些檢測模型不能對多種異常情況進(jìn)行適應(yīng)。另一方面，部分檢測模型忽視了對群體密度的估計，在群體稀疏場景中，運(yùn)動矢量可能比較混亂，致使誤判出現(xiàn)?；谶@些問題，該文提出一種通過群體密度的特征與運(yùn)動的特征來對異常行為實(shí)施檢測的方法。

1 常用監(jiān)控視頻中小群體異常行為檢測方法分析

當(dāng)前，基于視頻監(jiān)控角度，學(xué)者們將多種檢測模型提出，具體而言，主要有以下幾種類型：（1）通過分類實(shí)現(xiàn)檢測的模型，此種模型對樣本進(jìn)行訓(xùn)練，得到正常事件的分類器，隨后應(yīng)用分類器來對需要檢測的事件進(jìn)行分類處理。（2）通過推斷實(shí)現(xiàn)檢測的模型，對表示事件相關(guān)的特征數(shù)據(jù)實(shí)時聚類處理，得到一個基本的事件模式，隨后建立各個基本事件的概率密度函數(shù)，以獲得各個基本事件屬于某種模式的可能性，從而推斷出異常類型。（3）通過重構(gòu)實(shí)現(xiàn)檢測的模型，應(yīng)用正常事件中的相應(yīng)數(shù)據(jù)，對其進(jìn)行訓(xùn)練，以小誤差重構(gòu)獲得正常的事件，以大誤差重構(gòu)獲得異常事件。（4）通過能量實(shí)現(xiàn)檢測的模型，在此種模型下，監(jiān)控區(qū)域被看作是一個整體，對其中運(yùn)動相應(yīng)的能量進(jìn)行提取，與閾值進(jìn)行比對，對行為是否正常進(jìn)行判斷。

2 該文提出的針對視頻監(jiān)控的中小群體異常行為檢測方法分析

2.1 算法的整體框架

該文提出的算法通過以下三個步驟來實(shí)現(xiàn)：第一，將對群體密度進(jìn)行快速估計的算法提出，對群體的密度等級（設(shè)為G）、群體人數(shù)的變化率（設(shè)為V）進(jìn)行提取。第二，將對群體運(yùn)動特征進(jìn)行提取的算法提出，對平均動能（設(shè)為E）、運(yùn)動方向熵（設(shè)為O）、距離勢能（設(shè)為D）三個群體運(yùn)動特征進(jìn)行提取。第三，對以上兩個步驟進(jìn)行綜合，獲得五種群體特征，應(yīng)用隨機(jī)森林算法來對群體行為進(jìn)行判斷，查看是否有異常存在。

2.2 對群體密度進(jìn)行檢測的算法

應(yīng)用混合的高斯背景模型來對ROI中二值前景像素數(shù)進(jìn)行提取，利用透視矯正算法來對前景像素數(shù)進(jìn)行更新，以FAST角點(diǎn)密度來對群體密度權(quán)的重值進(jìn)行設(shè)定，使前景像素完成歸一化，于不同的取值范圍中，應(yīng)用最小二乘法來對曲線進(jìn)行擬合，以對G進(jìn)行估計。隨后，以前景像素數(shù)的計算獲得V，此種算法對中小群體密度的估算能夠?qū)崿F(xiàn)良好效果。

2.3 對運(yùn)動體征進(jìn)行提取的算法

前景圖通過二值前景的掩碼獲得，對局部的稠密光流進(jìn)行計算，通過光流的掩碼來對光流的相關(guān)運(yùn)動信息進(jìn)行提取，得到E、O的運(yùn)動特征。對光流場掩碼中的FAST角點(diǎn)相互間的歐式距離進(jìn)行計算，對D進(jìn)行提取。

3 通過隨機(jī)森林進(jìn)行特征分類的方法

隨機(jī)森林算法屬于基于決策樹組合分類算法的一種，個別樹輸出的類別眾數(shù)決定了其總體的輸出類別，此種方法運(yùn)算簡單、快速，事先無需對數(shù)據(jù)實(shí)施預(yù)處理，需要進(jìn)行調(diào)整的參數(shù)不多，無需擔(dān)心擬合過度的問題，可對大數(shù)據(jù)集進(jìn)行有效處理，且抗燥能力較強(qiáng)。在現(xiàn)有的諸多算法中，隨機(jī)森林算法的精度最高，對多分類問題進(jìn)行處理時，相較于支持向量機(jī)，此種方法的泛化能力明顯較強(qiáng)。其實(shí)現(xiàn)過程如下，其中，N為訓(xùn)練樣本數(shù)；M為訓(xùn)練樣本屬性數(shù)，m為整數(shù)，>0，

4 分析實(shí)驗(yàn)結(jié)果

在雙核2.69 GHz的CPU、內(nèi)存為1.7GB的PC機(jī)上對該監(jiān)控系統(tǒng)進(jìn)行搭建，該文算法通過編寫代碼實(shí)現(xiàn)（MATLAB 2014a開發(fā)平臺），相關(guān)視頻的序列來源于PETS2009、UMN，實(shí)驗(yàn)結(jié)果證實(shí)，相較于傳統(tǒng)的群體異常行為分析方法，該文的方法效果理想，在對中小群體的異常行為進(jìn)行檢測中比較適用。

4.1 該文算法識別率與傳統(tǒng)算法識別率比對

對于沒有規(guī)則的亂動、相同方向突然散亂、突然奔跑三種常見的一種，該文算法的分類結(jié)果、識別率均較為理想。傳統(tǒng)的方法分別對群體密度進(jìn)行估計，對群體運(yùn)動特征進(jìn)行提取，與前景像素數(shù)、邊緣像素數(shù)相結(jié)合，以最小二乘法來估計密度群體的數(shù)量，應(yīng)用灰度共生矩陣與支持量機(jī)相結(jié)合，對估計高密度的人群數(shù)量，再應(yīng)用純光流法來對群體方向熵、運(yùn)動平均動能進(jìn)行提取，隨后與事先設(shè)定好的閾值進(jìn)行比對，以判斷是否有異常的行為出現(xiàn)。

4.2 該文算法實(shí)時性與傳統(tǒng)算法實(shí)時性比對

對于UMN中出現(xiàn)沒有規(guī)則亂動的視頻，該文算法的實(shí)時性較高。進(jìn)行實(shí)際運(yùn)用過程中，該文算法每隔5幀就可以采樣一次，采樣率相對較低，這樣，可使計算的耗時得到進(jìn)一步減少，一般情況下，平均時耗僅為每幀36.6 ms。該文算法與傳統(tǒng)算法的比較情況如下，對于密度進(jìn)行估計時，該文的用時是53 ms，傳統(tǒng)算法是165 ms；對光流特征進(jìn)行提取時，該文算法用時為99 ms，傳統(tǒng)算法是138 ms；該文算法分類器用時為0 ms，傳統(tǒng)算法是13 ms?？梢?，該文算法各項用時均明顯較傳統(tǒng)算法短，在實(shí)時性方面，該文算法有巨大優(yōu)勢。

5 結(jié)語

目前，監(jiān)控視頻的應(yīng)用日漸廣泛，應(yīng)用過程中，經(jīng)常需要對群體異常行為進(jìn)行判斷，以對監(jiān)控系統(tǒng)進(jìn)行及時調(diào)試，從而保證監(jiān)控準(zhǔn)確性。為了進(jìn)一步對監(jiān)控視頻中小群體異常行為的檢測方法進(jìn)行探討，該文提出了一種通過對群體密度與運(yùn)動的特征來對檢測異常行為的方法，采用歸一化的前景像素數(shù)來估計群體的密度。此種算法不但準(zhǔn)確，而且速度快，能夠?qū)θ巳合∈鑸鼍斑M(jìn)行良好排除，使錯誤判斷減少。另外，該文采用隨機(jī)森林算法對異常行為進(jìn)行分類，并將實(shí)驗(yàn)結(jié)果與傳統(tǒng)計算方法得到的結(jié)果比較，結(jié)果顯示，該文方法的準(zhǔn)確度、實(shí)時性均明顯較為優(yōu)越，且有良好的場景適應(yīng)性，在實(shí)際工作中應(yīng)用價值較大。

參考文獻(xiàn)

[1] 鄭偉，李媛媛.吉林市水利無線視頻監(jiān)控系統(tǒng)工程建設(shè)情況[J].中國防汛抗旱，2011，21（6）：70-72.

[2] 劉洪磊.無線視頻監(jiān)控組網(wǎng)設(shè)計及應(yīng)用[J].科技資訊，2015，13（5）：26.

[3] 高振中.無線視頻監(jiān)控在輸變電施工中的應(yīng)用[J].科技傳播，2013（24）：254-255.