基于LHMM的聚众异常事件实时检测改进方法

提出了一种改进的分层隐马尔科夫模型(LHMM)结合熵值的聚众异常事件实时检测方法。使用直方图均衡化对视频帧做预处理,增加图像质量;以分块区域中的人数和总速度作为观察值分两层训练出聚众事件的LHMM。当观察值序列与模型的相似度大于设定阈值时,利用光流法计算该帧熵值,当熵值大于设定阈值时,则认为聚众事件发生;否则,为非聚众事件,继续下一帧的处理。大量实验结果表明:改进的方法具有较高的识别率、较好的鲁棒性和高的处理速度,并且应用环境更广。     

LHMM熵的聚众事件实时检测

提出一种结合分层隐马尔科夫模型(LHMM)与熵值的聚众事件实时检测方法。使用长宽比消除前景中其他物体的影响,以区域中的人数和总速度为观察值,分2层训练出聚众事件的LHMM。当观察值序列与模型的相似度大于设定阈值时,利用光流法计算该帧熵值,若熵值大于设定阈值,则表示发生聚众事件;否则,为非聚众事件,继续下一帧的处理。实验结果表明,该方法具有较高的识别率和较好的鲁棒性。     

基于运动熵的拥挤人群异常检测

视频监控在社会安全方面扮演着越来越重要的角色,在计算机视觉领域,人群异常行为检测也成为非常重要的研究课题.提出一种基于运动熵计算的人群异常检测方法.该方法在图像上散布特征点,运用光流法分组计算出各特征点的运动大小与方向,并据此建立运动直方图,用图像熵的计算方法得出图组的运动熵,运动熵及平均能量值则作为异常检测的判断依据.实验使用明尼苏达大学逃离与恐慌相关实验视频及部分网络视频,实验表明此方法拥有较强的容错能力,并能实时正确的检测出大部分异常行为的发生.     

基于光流的ATM机异常行为实时检测

异常行为检测在自助银行智能监控系统领域中有广泛的应用前景.本文针对此应用领域,提出了基于区域光流特征的异常行为检测方法.首先利用混合高斯模型来表示背景像素的变化并自适应更新背景模型,用背景差法从视频序列中提取运动前景;采用lucas-kanade光流法计算出运动区域内的光流信息.采用基于幅值的加权方向直方图描述行为,计算区域内直方图的运动熵发现候选异常区域,再利用支持向量机进行分类.从实验结果可以看出,能够较好的识别出异常事件,并且实时性较好,能够满足实际应用需求.     

基于图像熵的密集人群异常事件实时检测方法

在智能视频监控领域,为了提高密集人群中异常事件的检测效率,改善已有算法在实时性和适用性方面的不足,提出了一种实时高效的检测方法。该方法首先提取图像的全局光流强度作为运动特征,并构造全局光流强度的图像化表达;然后利用图像熵进行分析,获取正常状态下图像熵的统计参数;最后确定正常状态的可信区间和自适应的异常判定公式,从而判断异常事件是否发生。实验结果表明,该算法对尺寸为320×240像素的视频,平均每帧的检测时间低至0.031 s,且准确率可达96%以上,具有较高的检测效率,且实时性较好。     

基于离散曲率熵的徘徊行为检测

针对公共重点区域的智能监视问题,提出了一种新的徘徊行为异常检测方法。该方法利用视频目标跟踪算法得到可疑行人的运动轨迹,通过曲线拟合对运动目标的离散点轨迹进行平滑,计算离散点的离散曲率,计算感兴趣区域内运动目标轨迹点的离散曲率的熵及方差,通过离散熵阈值比较进行徘徊行为判断,该方法只需计算运动目标的轨迹,无需建立样本库,实验证明了该方法的有效性、实时性。     

基于角点运动约束的感兴趣区域提取算法

传统光流法提取感兴趣区域时运算量巨大,不能满足实时性的要求。针对这一问题提出一种基于角点运动约束的感兴趣区域提取算法。算法利用Harris算法对视频图像进行角点检测,通过对角点区域进行预处理,提取出前景角点区域,在此基础上利用光流法建立角点区域光流场,通过建立运动约束和阈值处理提取运动目标前景。算法仿真结果显示:算法可以准确提取感兴趣区域,抗干扰能力强,可以满足实时性的要求。     

聚众事件的建模与实现

在视频监控领域聚众等异常事件检测有着广泛的应用前景,然而相关研究在国内发展还比较缓慢。在这里给出了基于隐马尔科夫模型的聚众事件的检测方法,其简单过程如下:首先在高斯混合模型检测出目标的基础上,针对聚众事件视频序列的特性,完成了关于帧图像二元组的特征提取;然后,在合理选择初始模型的前提下使用Baum-Welch算法训练聚众事件的隐马尔科夫模型;最后通过实拍的视频序列验证其有效性。     

复杂动态环境下运动车辆的识别方法

针对目前车辆识别方法在动态变化的复杂环境中车辆识别正确率低的问题,提出了一种基于动态自适应阈值的车辆识别方法。该方法首先利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;然后通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;最后对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型。该方法采用高斯混合模型实时获取交通流视频中的背景图像,计算背景图像的质量值,并输入到自适应阈值计算模型得到实时的车辆最佳检测阈值以识别车辆。实验和理论分析表明,该方法能根据动态变化的环境实时更新车辆检测阈值,有效地提高了车辆识别的正确率。     

基于卷积自编码器分块学习的视频异常事件检测与定位

视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置.但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位.本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram ...     

An entropy approach for abnormal activities detection in video streams

Detection of aberration in video surveillance is an important task for public safety. This paper puts forward a simple but effective framework to detect aberrations in video streams using Entropy, which is estimated on the statistical treatments of the spatiotemporal information of a set of interest points within a region of interest by measuring their degree of randomness of both directions and displacements. Entropy is a measure of the disorder/randomness in video frame. It has been showed that degree of randomness of the directions (circular variance) changes markedly in abnormal state of affairs and does change only direction variation but does not change with displacement variation of the interest point. Degree of randomness of the displacements has been put in for to counterbalance this deficiency. Simple simulations have been exercised to see the characteristics of these crude elements of entropy. Normalized entropy measure provides the knowledge of the state of anomalousness. Experiments have been conducted on various real world video datasets. Both simulation and experimental results report that entropy measures of the frames over time is an outstanding way to characterize anomalies in videos.     

视频监控中无监督异常事件检测

介绍了一种视频监控中无监督异常事件检测方法,其核心是通过均值法将训练视频对视频的背景进行提取,用帧差法将背景提出并测算面积并划分正常面积值域。用同样的方法对测试视频进行检测,若超过阈值范围,则标记异常目标。     

聚类挖掘在监控视频中的应用

提出了一种针对监控视频数据的挖掘算法.算法根据输入视频帧与可更新背景帧的差异计算帧运动量,按运动量所属类型分割视频段,然后根据视频段的平均运动量采用K均值算法进行聚类分组.通过对大楼走廊的监控视频进行运动量挖掘,能对可能的异常事件给予告警,发现一天中各时段走廊的拥挤程度和模式.实验结果表明该挖掘算法对于室内走廊监控视频是有效的和鲁棒的,可以在一定程度上提高监控视频的智能应用.     

基于智能监控的中小人群异常行为检测

针对人群异常行为检测实时性较差、分类算法识别率不高、特征量较少的问题,提出一种基于智能监控的中小人群异常行为检测算法。首先,利用快速群体密度检测算法,提取人群数量变化信息;其次,利用改进的Lucas-Kanande光流法提取视频中人群的平均动能、人群方向熵、人群距离势能;最后,利用极限学习机(ELM)算法对人群行为进行分类。使用UMN公共数据集进行测试,ELM算法对中小人群异常行为分析比中高密度人群异常行为检测算法和基于KOD能量特征的群体异常行为检测算法识别率分别高出7.13个百分点和5.89个百分点,并且人数密度估计部分平均每帧图像处理耗时相比中高密度人群异常行为检测算法减少了106 ms(近1/3)。实验结果表明:基于智能监控的中小人群异常行为检测算法能有效提高异常帧识别率和实时性。     

基于目标时空上下文融合的视频异常检测算法

视频异常检测旨在发现视频中的异常事件,异常事件的主体多为人、车等目标,每个目标都具有丰富的时空上下文信息,而现有检测方法大多只关注时间上下文,较少考虑代表检测目标和周围目标之间关系的空间上下文。提出一种融合目标时空上下文的视频异常检测算法。采用特征金字塔网络提取视频帧中的目标以减少背景干扰,同时计算相邻两帧的光流图,通过时空双流网络分别对目标的RGB帧和光流图进行编码,得到目标的外观特征和运动特征。在此基础上,利用视频帧中的多个目标构建空间上下文,对目标外观和运动特征重新编码,并通过时空双流网络重构上述特征,以重构误差作为异常分数对外观异常和运动异常进行联合检测。实验结果表明,该算法在UCSD-ped2和Avenue数据集上帧级AUC分别达到98.5%和86.3%,在UCSD-ped2数据集上使用时空双流网络相对于只用时间流和空间流网络分别提升5.1和0.3个百分点,采用空间上下文编码后进一步提升1个百分点,验证了融合方法的有效性。     

海量监控视频快速回放与检索技术

为解决海量监控视频的快速浏览和检索,介绍了一种基于目标索引的视频摘要和检索方法。该方法在光流分析的基础上,在画面的静止区域更新背景,运动的区域利用差分法分割出运动目标图像。经过优化的快速特征匹配和建立运动跟踪模型后,根据目标运动轨迹,按照时空距离进行聚类。在目标图像数据和运动参数进行XML结构化存储为索引的基础上,最后在检索时将符合条件的所有目标图像,按照其原有时间顺序逐帧贴到同一个背景图像中,形成动态的摘要视频。由于该方法剔除了背景中大量的时空冗余信息,可在较短回放时间内浏览全部有用目标,显著提高海量监控视频的查阅效率。     

基于自适应投影矩阵的实时视频拼接算法

提出一种快速的算法用于高质量的实时拼接视频。算法分为两个阶段:后台阶段和实时阶段。后台阶段每隔一定周期运行,从同步的视频流中提取图像特征,采用RANSAC和LM算法计算投影矩阵。在实时阶段,采用从前一帧中得到的特征点点对,用光流法跟踪匹配点对的方法,对跟踪得到的点对由投影矩阵计算得到图像误差。若误差超过一定阈值或跟踪到点对数目太少,后台阶段就会再次执行。一旦得到了投影矩阵,就采取一种非线性的融合算法对视频进行融合。通过以上步骤,即使摄像头移动,算法也能运行快速。实验结果显示该算法大大改善了速度,而且拼接质量也很好。