聞輝 賈冬順 嚴濤 陳德禮 林元模

摘 要：基于軌跡信息的異常事件檢測是智能視頻監(jiān)控系統(tǒng)最重要的應(yīng)用之一。本文分別介紹了軌跡信息的主要研究方法，軌跡相似性度量方法以及基于軌跡信息的異常事件檢測與判別，最后給出了研究展望。

關(guān)鍵詞：智能視頻監(jiān)控;軌跡;異常檢測

視頻監(jiān)控中的自動異常事件檢測是智能視頻監(jiān)控系統(tǒng)最重要的應(yīng)用之一。通過對異常數(shù)據(jù)的定位，可以極大減少數(shù)據(jù)處理量，方便有效搜索。通過對目標數(shù)據(jù)的自動分析，它提供當前監(jiān)控場景的有用信息并進行實時處理，可以實時地識別可疑目標并自動判斷是否出現(xiàn)異常，在異常事件發(fā)生時能及時上報，同時事后能快速查找到線索，從而形成事前預(yù)警，事中處理，事后及時取證的全自動、全天候?qū)崟r監(jiān)控的智能系統(tǒng)。因此在保障人類社會生活安全性的同時極大降低了人力、物力成本。

一、軌跡信息的主要研究方法

對運動目標進行跟蹤可提取豐富的目標特征信息。其中，軌跡信息是最常用的一種，通過對場景中存在的運動目標軌跡進行聚類，可以發(fā)掘場景中存在的運動行為模式，進而完成目標軌跡的分類、識別以及異常軌跡檢測和行為預(yù)測等，為高層次的場景理解提供了語義描述性的信息。

軌跡分析一般由三個部分組成：軌跡預(yù)處理、軌跡聚類以及軌跡建模。在軌跡預(yù)處理階段，一般有兩種方法：標準化和降維。其目的是為了使所處理的軌跡具有相同的長度，補零法和重采樣法是兩種典型的標準化技術(shù)。文獻[1]通過使用一些簡單的濾波器對軌跡進行平滑，再將平滑結(jié)果進行內(nèi)插和采樣從而使不同軌跡的長度相同。與標準化技術(shù)不同，降維法將軌跡映射到一個計算上更易處理的空間。文獻[2]提出一種向量量化的降維方法，通過采取有限的字符集向量原型對每條軌跡進行符號量化，從而有效降低軌跡維數(shù)。此外，模式識別中的基于主分量分析的PCA子空間降維、拉普拉斯特征向量分解、核函數(shù)方法是常用的軌跡向量降維方法。

二、軌跡相似性度量方法

為了對軌跡進行有效聚類，需要定義軌跡的相似性度量。歐式距離、動態(tài)時間規(guī)整、Hausdorff距離可用來度量不同長度的軌跡數(shù)據(jù)[3]。文獻[4]提出分層軌跡聚類方法，軌跡之間的相似性關(guān)系用自底向上或自頂向下的樹狀結(jié)構(gòu)來描述。該文獻[5]提出基于自組織映射的神經(jīng)網(wǎng)絡(luò)軌跡聚類方法，通過復(fù)雜的非線性關(guān)系映射，軌跡被表示成一種低維結(jié)構(gòu)并在輸出節(jié)點處進行相似性度量。文獻[6]先將軌跡建模成一系列的詞袋，通過獲取詞袋間的共生矩陣來實現(xiàn)軌跡相似性度量。

三、基于軌跡信息的異常事件檢測與判別

一旦軌跡被聚類，需要建立合適的路徑模型或運動模式。對目標進行運動模式分析是異常檢測和行為預(yù)測的一種有效方法。文獻[7]先從圖像序列中產(chǎn)生目標軌跡，目標軌跡用一系列的向量流來表示，每個向量是包含目標位置和速度的四維信號，并采用向量量化的方式來學習目標軌跡的概率密度函數(shù)。文獻[8]提出將每條路徑用隱馬爾科夫模型（HMM）來建模，其中每個隱層狀態(tài)用高斯混合模型來表示。子路徑模型隨后按照概率連接的方式來定義。

四、總結(jié)與展望

利用軌跡信息來實現(xiàn)視頻監(jiān)控運動對象信息的特征提取，可極大減少視頻監(jiān)控領(lǐng)域的存儲量。對于判斷和識別檢測對象的異常運動行為，并在刑偵安全、醫(yī)療監(jiān)護、智能交通管理等領(lǐng)域都有非常廣泛的應(yīng)用。隨著社會智能化程度的逐步提高，其應(yīng)用范圍也必將獲得更大程度的推廣。

參考文獻：

[1]I.N.Junejo，O.Javed，and M.Shah，“Multi feature path modeling for video surveillance，”in Proc.Int.Conf.Pattern Recognit.Aug.2004，pp.716-719

[2]L.Jiao，Y.Wu，G.Wu，E.Y.Chang，and Y.-F.Wang，“Anatomy of a multicamera video surveillance system，”ACM Multimedia Syst.vol.210，no.2，2004，pp.144-163

[3]Brendan Tran Morris and Mohan Manubhai Trivedi，“A Survey of Vision-Based Trajectory Learning and Analysis for Surveillance，”IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY，VOL.18，NO.8，AUGUST 2008，pp.1114-1127

[4]N.Sumpter and A.J.Bulpitt，“Learning spatio-temporal patterns for predicting object behavior，”Image Vis.Comput.vol.18，Jun.2000，pp.697-704

[5]H.Zhong，J.Shi，and M.Visontai，“Detecting unusual activities in video，”in Proc.IEEE Comp.Sci.Conf.Comput.Vis.Pattern Recognit.Jun.2004，vol.2，pp.819-826

[6]N.Johnson and D.Hogg，“Learning the Distribution of Object Trajectories for Event Recognition，”Image and Vision Computing，vol.14，no.8，1996，pp.609-615

[7]B.Morris and M.Trivedi，“Learning and classification of trajectories in dynamic scenes：A general framework for live video analysis，”in Proc.IEEE 5th Int.Conf.AVSS，Santa Fe，NM，USA，2008

[8]Yong Wang，Dianhong Wang，and Fenxiong Chen，“Abnormal Behavior Detection Using Trajectory Analysis in Camera Sensor Networks，”International Journal of Distributed Sensor Networks Volume 2014，pp.1-9