基于光流法优化的人群异常行为检测研究

危害社会公共安全的事件时有发生，但目前使用的监控摄像头存在画面不清晰、需人为查看且耗时长等问题，故研究高效稳定的智能监控系统对维护公共安全和秩序有着重要意义。针对人群中异常行为的检测问题，文中提出一种改进ORB光流算法，根据运动能量的变化对异常行为进行检测和判断。该方法利用SURF中的Hessian矩阵进行特征点提取，使其具有尺度不变性；采用盒式滤波器替换高斯滤波器进行图像降噪，提高计算速度；使用Shi-Tomasi算法对特征点进行筛选，再与金字塔LK光流法进行匹配，提高检测速度和精度；通过计算MRF模型的能量函数来判断人群中异常行为是否发生，并进行异常区域定位。最后，在UCSD数据集中对所提方法进行验证。多种场景下的ROC曲线和AUC值对比结果表明，所提算法具有良好的性能，可以有效地检测出人群中的异常行为。     

基于改进SSD的人群异常行为检测算法研究

针对人群异常行为检测任务中存在的算法复杂度较高,重叠遮挡等带来的检测精度低等问题,本文提出一种基于改进SSD（Single Shot Multi-box Detector）的人群异常行为检测算法。首先采用轻量级网络MobileNet v2代替原始特征提取网络VGG-16,并通过可变形卷积模块构建卷积层来增强感受野,然后通过将位置信息整合到通道注意力中来进行特征增强,能够捕获空间位置之间的远程依赖关系,从而可以较好处理重叠遮挡问题。实验结果表明,本文提出的算法对人群异常行为具有较好的检测效果。     

投影追踪方法在高光谱图像异常点检测中的应用

该文提出了一种基于投影追踪的高光谱图像异常点检测方法。它通过广义似然比检验(GLRT)模型构建二元检测算子,并利用观测数据估计出算子中代表背景的未知参数,而算子的关键参数-目标参数是通过投影追踪算法搜索异常点得到的。此算法消除了传统的基于多元统计模型的目标检测方法对先验信息的依赖,增强了算法的实用性。同时,投影追踪方法能有效的提取目标参数,进一步提高了异常点检测的效果。     

基于场景相似性和光流的人群异常检测方法

针对视频中人群异常行为检测问题,提出一种基于场景相似性和光流的人群异常行为检测方法。该方法分别使用卷积网络和光流提取视频中人群的外观特征和运动特征。在外观特征方面,使用感知哈希算法得到场景相似性异常值;在运动特征方面,改进Shi-Tomasi特征提取算法,并利用局部光流法提取运动特征异常值。文中将两种特征的异常值融合作为异常行为的判定依据。在异常行为建模方面,使用单分类SVM对异常值进行建模。在UMN基准数据集上进行对比试验,文中提出的融合方法取得了较好的检测效果,AUC值能够达到0.91。     

一种基于光流法的逆行异常事件检测方法

机场大厅、公路等公共场合,经常需要行人或车辆单向运动,以保障开放环境的安全性及秩序性.对监控视频中的逆行异常事件进行检测,便于管理人员及时对可疑事件做出处理.提出了一种逆行异常事件的检测算法,它基于图像中特征点的光流场以及空间分布特性对特征点进行聚类,然后通过计算符合逆行条件的特征点数量实现对逆行异常事件的检测.理论分...     

结合光流法与信息熵的人群状态分析

随着近年来危害公共安全的群体性事件频繁发生,对人群场景下的人群状态分析与异常行为检测成为计算机视觉领域研究的热点问题。目前提出的诸如纯光流法,社会力模型,时空运动模型等算法,在检测准确率方面已能满足需求,但是算法复杂度普遍较高,运算量较大,在实际应用中难以保证实时性。鉴于此,首先,引入了人群移动区域面积的概念并定义了人群状态指数,来描述人群状态的变化,通过光流法获得人群运动矢量场,基于人群运动矢量场定义了人群运动强度指数来描述人群运动强度,基于人群运动矢量场与信息熵定义了人群混乱指数来描述人群运动方向的混乱程度。其次,基于降低算法运算量的考虑,根据上面提到的三个描述人群运动状态的特征变量设计了一种分层处理的人群异常行为检测方案,实验结果证明方案具有很好的效果。      

基于人群密度的异常行为检测与分级研究

群体异常行为的发生将对社会公共安全构成危害,而不同等级的群体异常行为对社会公共安全产生的危害性也不尽相同,对应的关注度和敏感度也不同,因此本文提出了一种基于人群密度的异常行为分级检测算法.首先,对现有的人群异常行为检测算法存在实时性差、检测准确度不高的问题,引入局部光流,提出了一种基于平均动能变化倍率的人群异常行为检测算法;在此基础上对现有的结合基于像素点统计和基于纹理特征的人群密度检测方法进行了改进,进而实现了基于人群密度的异常行为分级.实验证明,本文算法能够准确且稳定地检测出视频中的异常行为情况,并且能根据人群密度分级报警,满足实际应用需求.     

基于特征的遥感图像自动配准算法

面向光学图像的多时相、多光谱、多传感器图像的自动配准,本文描述一个基于特征的高精度图像配准算法.它以点映射配准技术为基础,处理具有全局仿射几何失真的图像配准问题.首先,通过边缘检测和相应的后处理提取封闭边界;其次,根据边界链码相关和区域不变矩匹配策略建立边界的对应,并对对应重心即匹配点对进行一致性检测获得基元控制点;最后,估计初始变换参数,并通过显著点片的相关匹配来增加控制点个数,迭代修正变换参数以提高配准精度.多种遥感图像数据的配准实验和对比试验证实了的自动算法具有较高的可靠性和配准精度.     

基于整体特征的人群聚集和奔跑行为检测

建立高效完备的智能视频监控系统已经成为当今社 会的迫切需求。针对公共场所人群聚集和奔跑的两类异常行为,提出一种基于分布熵和平均 运动速度的检测方法。一方面,根据前景图像的空间分布情况,采用分布熵衡量场景中人 群的集中程度,实 现对场景中人群聚集行为的检测;另一方面,检测图像上的角点,采用光流法对这些角点进 行跟踪并提取出产 生运动的角点,进而获得运动角点在视频序列中连续两帧间的运动向量,计算出人群整体的 运动速度,从而检 测人群的奔跑行为。所提出的方法不需要对单个行人进行分割以及样本的训练。采用不同场 景和不同人群密度 下的视频对所提出算法进行验证的结果表明,本文方法可以快速、准确地进行人群异常行为 检测。     

基于RFE+CatBoost模型的异常用电检测方法研究

针对传统电力检测领域中异常用电检测模型需要调节大量超参数导致异常用电检测效率低下,以及模型选取特征不能充分反映实际用电情况导致分类精度不高的问题,提出一种基于RFE+CatBoost模型的异常用电检测方法.较传统的异常用电检测方法而言,CatBoost算法降低了模型检测对于超参数的依赖.以用户用电数据作为研究对象,结合RFE算法分析用户在用电表现上的不同特征,采用分类预测算法对异常用电行为进行进一步研究,最后通过云南某地用户用电数据集进行验证,与其他用电异常检测模型进行对比,实验证明所提模型具有很好的检测能力,对于提升企业用电异常检测效率、指导用户更好地用电具有重要意义.     

基于双支路的人群视频异常检测算法研究

该文对人群异常检测任务进行了研究,针对人群场景视频背景较冗余,易受光线与噪声影响以及实际部署等问题,提出了人群异常多尺度特征记忆网络(CaMsm-net)。为了从多角度判别异常的发生,并将各类信息更好地融合,该网络采用了一种双支路共享单元结构,将原始帧与经背景建模后的帧同时输入网络结构中,分别对两条支路进行预测,采用预测误差进行异常的判定,并且从实际应用角度出发,框架结合了深度可分离卷积、数据扩增等方法,保障了检测的准确性与部署的可行性。在公开的美国明尼苏达大学(UMN)人群数据集与实际监控下的火车站出站口数据集中的实验表明,曲线下面积(AUC)指标分别达到了99.2%与84.1%,平均检测准确率分别为95.9%与81.7%,证明了所提算法能够较好地检测到各类人群异常现象的发生,并具有更广的适用性。     

融合LBP与GLCM的人群密度分类算法

针对中高密度人群图像检测分类对公共安全的重要性,提出融合局部二值模式LBP与灰度共生矩阵GLCM特征提取的人群密度分类方法。首先用旋转不变的LBP算子进行滤波,得到LBP图像,然后提取滤波后图像的GLCM特征,这样既可以避免LBP算子特征降维带来的损失,又能充分利用LBP和GLCM纹理特征提取的有效性,最后采用有向无环图支持向量机DAGSVM进行密度分类。在Pets2009基准数据库中的实验结果显示该算法具有较高的准确率。     

基于时空LBP加权社会力模型的人群异常检测

针对基于传统社会力模型的人群异常行为检测算法忽视了场景中各个区域信息差异性的问题,考虑到时空LBP序列谱特征的计算简单性和区域代表性,提出了一种基于时空LBP加权社会力模型的人群异常行为检测算法,将时空LBP序列谱特征所包含的时域特性和区域信息融入社会力模型,使得社会力模型更为精确地对人群行为进行建模。实验证明,与传统算法相比,改进后的算法在异常行为的查准率与查全率上有很大的提高。     

Attention guided feature pyramid network for crowd counting

Crowd counting has become a hot topic because of its wide applications in video surveillance and public security. However, one main problem of the deep learning methods for crowd counting is that the location information about the crowd is degraded irreversibly due to the spatial down-sampling of convolutional neural networks, which degrades the quality of generated density maps. To remedy the above problem, we propose an attention guided feature pyramid network (AG-FPN) for crowd counting, which can adaptively generate a high-quality density map with accurate spatial locations by combining the high- and low-level features. An attention block is added to each encoder layer to further emphasize the crowd regions and suppress the background clutters in feature extraction. Experimental results on the ShanghaiTech, UCF_CC_50, WorldExpo’10 and UCF-QNRF datasets demonstrate the superiority of the proposed method over state-of-the-art approaches.     

Spatio-temporal crowd density model in a human detection and tracking framework

Recently significant progress has been made in the field of person detection and tracking. However, crowded scenes remain particularly challenging and can deeply affect the results due to overlapping detections and dynamic occlusions. In this paper, we present a method to enhance human detection and tracking in crowded scenes. It is based on introducing additional information about crowds and integrating it into the state-of-the-art detector. This additional information cue consists of modeling time-varying dynamics of the crowd density using local features as an observation of a probabilistic function. It also involves a feature tracking step which allows excluding feature points attached to the background. This process is favorable for the later density estimation since the influence of features irrelevant to the underlying crowd density is removed. Our proposed approach applies a scene-adaptive dynamic parametrization using this crowd density measure. It also includes a self-adaptive learning of the human aspect ratio and perceived height in order to reduce false positive detections. The resulting improved detections are subsequently used to boost the efficiency of the tracking in a tracking-by-detection framework. Our proposed approach for person detection is evaluated on videos from different datasets, and the results demonstrate the advantages of incorporating crowd density and geometrical constraints into the detection process. Also, its impact on tracking results have been experimentally validated showing good results.     

一种基于有监督局部决策分层支持向量机的异常检测方法

该文针对包含多种攻击模式的高维特征空间中的异常检测问题,提出了一种基于有监督局部决策的分层支持向量机(HSVM)异常检测方法.通过HSVM的二叉树结构实现复杂异常检测问题的分而治之,即在每个中间节点上,通过信息增益准则构建有监督学习所需的训练信号,监督局部决策;在每个嵌入中间节点的二分类支持向量机(SVM)的训练过程中,以局部决策边界对特征的敏感度为依据,选择入侵检测的局部最优特征子集.实验结果表明,该文提出的异常检测方法能够在训练信号的局部决策监督下构建具有良好稳定性的检测学习模型,并能以更精简的特征信息实现检测精确率和检测效率的提高.     

基于解耦空间异常检测的人脸活体检测算法

现有基于异常检测的方法大多仅利用活体样本进行单类建模,这样的特征用于活体检测的泛化能力强但准确率不高。而且,活体人脸特征单类建模并没有考虑活体人脸样本的多样性。活体人脸样本的不同身份、环境、采集设备等因素都会导致活体人脸的特征表达不紧凑,这样使得假体样本特征容易混入其中。为了解决以上两个问题,本文提出了一种基于解耦空间异常检测的人脸活体检测算法。本文设计了单中心对比损失,使得活体人脸特征在不限制假体人脸特征分布的情况下表达地更加紧凑。本文还对活体人脸进行了特征解耦,将其特征分为两个子空间：活体检测特征空间、活体无关特征空间。活体检测特征空间不受其他无关因素的影响,结合单中心对比损失来提高模型的泛化能力。库内实验和跨库实验共在5个数据集上与最新的方法进行了比较,在OULU-NPU数据集中,协议1相比于性能第2的模型错误率下降超过一半,最具挑战的协议4取得了仅3.3%的错误率;在SiW数据集的三个协议中也取得更低的错误检测率;在跨库实验中本文算法也表现出不错的泛化能力,尤其是在从重放攻击和打印攻击跨到3D面具攻击的跨攻击类型的测试中相比于性能第2的模型错误率下降5.41%。本文提出的人脸活...     

基于加权组合核RX算法异物检测及其参量选择

为了融合光谱形状差异信息和多项式核函数全局信息,充分挖掘地物特征,提高异常检测正确率,提出了一种加权组合核RX算法.该算法在高斯核函数的基础上,增加一个光谱角核函数.由于核函数参量和加权参量直接影响算法性能,分别采用了随机函数法、爬山法和粒子群算法对上述参量进行了选择.结果表明,在恒虚警率下使用粒子群算法进行参量设定得到的效果最好,且采用加权组合核函数RX算法得到的目标检测率为83.5%,相对于普通的核RX算法,正确率得到了提高.     

基于色彩制约耦合距离惩罚的图像篡改检测

当前较多图像篡改检测方法主要通过对图像特征间的距离进行测量来完成特征匹配,忽略了图像的色彩信息,导致检测结果中存在较多的误检测和漏检测现象。对此,本文将色彩信息引入到图像特征匹配过程中,设计了一种采用色彩制约模型的篡改检测算法。利用Laplacian算子与Harris算子提取图像特征,并利用像素点的红(R)、绿(G)、蓝(B)三原色信息,结合特征描述符建立色彩制约模型,对特征点间的色彩信息进行度量,再借助该度量值与特征点间的距离测量值共同完成图像特征匹配,充分剔除误匹配现象,有效提高匹配准确度。该算法还根据特征点间距离方差构造距离惩罚模型,对匹配后的图像特征进行聚类,准确识别篡改内容。通过实验结果发现,与其他篡改检测算法相比,本文算法不仅对伪造内容具备更高的检测准确度,而且对模糊及旋转等内容操作也具有更好的适应性。