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。     

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。     

一种基于运动相似熵的人群异常行为检测

实现对人群异常事件的检测是图形处理在智能视频监控领域的重要研究内容.提出了一种基于运动相似性熵(EMS)的人群异常行为检测算法.该算法在对视频图像进行光流计算的基础上,以底层光流块为基本单位获取场景运动信息,根据社会网络模型的概念,提出构建场景的运动网络模型(MNM),完成对场景粒子运动相似性的划分,并在时间域上计算MNM的粒子分布熵值EMS,最后将得到的图像熵与设置合理的阈值相比,判断异常行为是否发生.实验证明,该算法可有效检测异常行为,与其他经典检测算法相比有较大优势.     

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。     

基于进程行为的异常检测模型

利用系统漏洞实施攻击是目前计算机安全面临的主要威胁.本文提出了一种基于进程行为的异常检测模型.该模型引入了基于向量空间的相似度计算算法和反向进程频率等概念,区分了不同系统调用对定义正常行为的不同作用,提高了正常行为定义的准确性;该模型的检测算法针对入侵造成异常的局部性特点,采用了局部分析算法,降低了误报率.     

视频场景人群运动异常状态检测

针对视频场景的人群运动状态分析问题提出了一种方法,包括人群密度分级和运动异常检测.该方法利用场景中不同区域的亮度信息作为BP网络的输入向量分类人群密度,降低了计算的复杂性,排除不必要的干扰信息.在异常检测方面利用光流法获取人群的运动信息,包括运动速度和运动方向.实验结果表明,该方法的精度及实时性均高于传统方法,对确定视频场景中人群运动状态是有效的,可以为防止大规模安全事故提供参考.     

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。     

基于粒子熵值的异常行为检测

在异常行为检测当中,人群的分布信息十分重要。针对该情况,提出了一种基于粒子熵值的异常行为检测方法。该方法采用混合高斯模型动态建模提取出视频图像的背景,在提取到的背景图像上使用KLT(Kanade-LucasTomasi)算法追踪前景获得人群的速度和位置。基于人群粒子的网格分布获取相对应的直方图,并通过计算直方图的粒子熵值描述人群行为;最后,结合粒子分布的熵值与人群粒子的速度,提高异常行为判断的准确性。基于不同场景下的视频序列所进行的实验测试结果验证了所提方法的有效性。     

基于深度学习的异常事件检测

面对复杂场景下异常事件检测的准确率偏低的情况,本文提出一种基于深度学习的异常事件检测方法,并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征,将群体发散聚集事件,群体密集聚集事件,群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验,并在UMN数据集上与几种方法做了对比实验,验证了本文提出的基于深度学习的异常事件检测算法,在适应多种不同场景的前提下,对多种异常事件检测的准确率很高,表明训练出来的模型对异常事件检测具有极强的泛化能力.