一种基于视频分析的高速公路交通异常事件检测算法

交通领域的异常事件检测对于预防和及时处理交通事故有着重要作用。当前大多数交通异常事件检测都是通过人工完成的,耗费了大量的人力,同时实时性也较差。文中针对高速公路的交通场景特点,利用深度学习中的目标检测算法,对视频中的车辆目标进行提取,提出了结合运动特征和表观特征的多目标追踪算法;在此基础上,又提出了一种基于车辆轨迹特征的异常事件检测方法,其中的追踪算法减少了轨迹提取过程对背景环境变化的依赖。在异常事件检测算法中充分结合高速公路实际场景,加入滑动窗口机制,提升了对远距离和复杂场景下异常事件的检测能力。利用面向真实交通视频的数据,与现有的事件检测算法进行对比,实验结果证明,所提方法在事件检测的准确率、召回率和F值指标方面都有良好的性能表现,能够有效地完成高速场景下的交通异常事件检测。     

基于运动标签的异常行为检测算法

针对视频监控中异常行为检测的问题,提出了一种基于运动标签的检测算法。通过对视频结构语义的分析,针对像素块的运动标签在时间维度和空间维度的分布关系,定义五种低维度的行为特征描述符作为视频中行为特征的表示。将这些提取的行为特征作为SVM分类器的输入,训练和建立了基于运动标签的异常行为检测模型。实验表明,该算法与同类算法相比,取得了更好的检测效果。     

基于视频监控参考量的异常行为检测研究

为了解决传统算法难以检测一般动态场景情形下人体运动目标的问题,文中提出了一种新的人体运动异常行为的检测方法,该方法组合利用视频监控各个的参考量。文中针对视频序列中人的行为进行分析,目的是检测出人的异常行为,具体涉及：人体运动目标的检测、跟踪与提取,异常行为检测等。文中阐述了异常行为检测的相关概念,介绍了视频监控参考量各个参数的计算方法,探讨了异常行为检测与分类技术的关系。结合异常行为检测与分类的相似性,提出了基于视频监控参考量的算法的异常行为检测方法,给出了其计算方法,并确定了检测的过程,分析该方法的特点和优势。     

一种基于局部时空特征的视频异常检测方案

针对目前大多数视频异常检测方案在局部异常检测上的不足,提出一种基于局部时空特征的视频异常检测方案。该方案先提取运动描述符,再量化拆分,对每个特征描述符使用不同标度的时间空间滤波器,获得各时间空间区域的平滑估计,为训练和测试视频计算出各区域的局部K最邻近(KNN)距离,根据上述局部KNN距离,得出测试和训练视频的总体分值。对总体分值排名,确定异常。将该方案在公共数据集(UCSD数据集、人群异常UMN数据集、U型转弯数据集)上进行测试,结果表明,该方案的误差率、曲线下面积等性能指标优于现有的视频异常检测算法。     

基于加权样本选择与主动学习的视频异常行为检测算法*

随着日益突出的公共安全问题,视频监控异常行为检测成为计算机视觉的一个研究热点.文中结合视频异常检测数据集,提出基于加权样本选择与主动学习的视频异常行为检测算法.根据视频监控数据集的分布特性,选择合适的权重值消除不平衡数据集对分类器的影响,通过主动学习的方式选取少量异常不确定样本,不断迭代更新检测模型,适应复杂多变的异常事件.实验表明,在UCSD异常行为检测数据集上,相比传统方法,文中方法具有更好的检测性能     

基于轨迹分段LDA主题模型的视频异常行为检测方法

基于目标轨迹的异常行为检测算法忽略了轨迹内部信息,容易导致异常检测虚警率偏高。为解决该问题,提出一种基于轨迹分段主题模型的视频异常行为检测方法。首先将目标原始轨迹根据轨迹转角分段,然后采用分段量化的方式提取轨迹片段中包含的行为特征信息,接着通过潜在狄利克雷分配(LDA)主题模型建模发掘目标轨迹之间的时空关系,最后通过学习所构建的模型并结合贝叶斯理论进行行为模式分析和异常行为检测。分别对两个视频场景进行了目标行为模式分析和异常行为检测的仿真实验,检测出了场景内多种异常行为模式。实验结果表明,通过结合轨迹分段与LDA主题模型,该算法能够充分挖掘目标轨迹内部的行为特征信息,识别多种异常行为模式,并且能提高对异常行为检测的准确率。     

基于轨迹词包模型的老人跌倒检测

针对异常行为检测受到光照变化、目标遮挡和计算复杂度高等因素的影响而导致检测效果不理想的问题,本文提出一种基于时空兴趣点和轨迹词包模型的异常行为检测算法。首先,利用时空兴趣提取目标的特征点信息;其次,利用稀疏光流法对特征点进行跟踪,获取目标的运动轨迹。然后,利用Meanshift聚类算法对轨迹进行聚类并构建轨迹词包模型。最后,利用SVM完成异常行为的判别。算法在不同视频数据库上进行了验证,并取得了93.3%的准确率。通过与以往的实验结果的比较,算法在异常行为检测方面具有较好的实时性、准确性和可靠性。     

基于混合特征映射的密集场景运动模式分析

密集场景分析是目前计算机视觉领域的热点和难点课题。提出了一种新的密集场景下集群目标运动模式的分析算法。该算法根据集群目标运动特有的规则获取集群目标的轨迹片段,对轨迹片段学习后验散度,得出产生式-判别式混合特征映射,该特征映射有效地将底层特征和运动模式的语义信息结合起来。通过对特征映射进行基于图模型算法的无监督分层聚类,挖掘出集群目标运动模式信息。实验结果准确地揭示了当前视频中运动模式的分布,证明了该算法的有效性。     

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。     

一种用于异常行为检测的运动特征描述子

目前,用于描述视频中人群的运动信息大多是基于光流的速度描述子。事实上,加速度蕴含丰富的运动信息,能够提供速度描述子在描述复杂运动模式时缺失的信息,以更好地表征复杂的运动模式。文中研究了一种运动特征描述子,使用受限玻尔兹曼机模型进行异常行为检测。首先,提取视频中的光流场信息,计算帧间加速度光流;然后,对一个时空块中的加速度信息进行直方图统计,将若干帧的所有时空块直方图特征进行拼接,从而获得加速度描述子;最后,在仅包含正常行为的训练集上建立受限玻尔兹曼机模型,在测试阶段根据测试视频重建特征与原始特征的误差大小进行异常检测。实验表明,所提出的加速度描述子结合速度描述子,在UMN数据集与UCF-Web数据集上,ROC曲线下的面积分别达到了0.984与0.958,相较于其他算法,所提方法取得了更高的异常行为检测准确率。     

视频数据的时间序列挖掘方法研究

不同类型的视频具有不同的内容和不同的内容组织结构.目前由于安全防护问题的升温,综合视频监控系统和交通监控系统引起了较多的关注.但是并没有文献对这一类型视频数据的挖掘提出一个较完整的挖掘框架.文中针对监控视频等具有相对固定背景特征视频数据的视频运动挖掘问题,提出了在跟踪视频对象运动的基础上,提取视频对象的运动轨迹,结合时间特性形成时间序列数据,并进一步对视频数据进行相似性查询和聚类挖掘的系统模型.     

Crowd behaviors analysis and abnormal detection based on surveillance data

Crowd analysis and abnormal trajectories detection are hot topics in computer vision and pattern recognition. As more and more video monitoring equipments are installed in public places for public security and management, researches become urgent to learn the crowd behavior patterns through the trajectories obtained by the intelligent video surveillance technology. In this paper, the FCM (Fuzzy c-means) algorithm is adopted to cluster the source points and sink points of trajectories that are deemed as critical points into several groups, and then the trajectory clusters can be acquired. The feature information statistical histogram for each trajectory cluster which contains the motion information will be built after refining them with Hausdorff distances. Eventually, the local motion coherence between test trajectories and refined trajectory clusters will be used to judge whether they are abnormal.     

基于Non_local means的时空联合视频降噪算法

针对监控视频图像的特点,提出了一种有效的实时视频降噪算法。首先结合多帧图像采用基于Non_local means的运动检测方法自适应地区分图像的运动区域和静止区域,对静止区域采用时域加权均值滤波,对运动区域采用空域ANL滤波。充分利用了视频的时域、空域信息,在去除视频序列噪声的同时很好地保护了图像的细节。实验结果表明,提出的算法在不造成运动拖影的前提下,能够显著提高视频的信噪比和图像的主观质量。     

基于最大化子模和RRWM的视频协同分割

成对视频共同运动模式的协同分割指的是同时检测出两个相关视频中共有的行为模式,是计算机视觉研究的一个热点.本文提出了一种新的成对视频协同分割方法.首先,利用稠密轨迹方法对视频运动部分进行检测,并对运动轨迹进行特征表示;然后,引入子模优化方法对单视频内的运动轨迹进行聚类分析;接着采用基于重加权随机游走的图匹配方法对成对视频运动轨迹进行匹配,该方法对出格点、变形和噪声都具有很强的鲁棒性;同时根据图匹配结果实现运动轨迹的共显著性度量;最后,将所有轨迹分类成共同运动轨迹和异常运动轨迹的问题转化为基于图割的马尔科夫随机场的二值化标签问题.通过典型运动视频数据集的比较实验,其结果验证了本文方法的有效性.     

一种3DHOGTCC和3DHOOFG的行为识别新框架

行为识别在语义分析领域具有很高的学术研究价值和广泛的市场应用前景.为了实现对视频行为的准确描述, 提出了2类构建稠密轨迹运动描述子的方法.1)通过光流约束和聚类,实现对运动区域的稠密采样,以获取行为的局部位置信息;2)选取目标运动角点为特征点,通过对特征点的跟踪获取运动轨迹;3)在以轨迹为中心的视频立方体内,分别构建三维梯度方向直方图(3D histograms of oriented gradients in trajectory centered cube, 3DHOGTCC)描述子和三维光流梯度方向直方图(3D histograms of oriented optical flow gradients, 3DHOOFG)描述子,用以对运动的局部信息进行准确描述.为了充分利用行为发生的场景信息,提出了一种融合动态描述子和静态描述子的行为识别新框架,使得动态特征与静态特征相互融合支撑,即使在摄像头运动等复杂场景下,亦能取得较好的识别效果.在Weizmann和UCF-Sports数据库采用留一交叉验证,在KTH和Youtube数据库采用4折交叉验证.实验证明了提出新框架的有效性.