基于单元格运动特征的人群异常检测

针对传统基于跟踪的异常检测方法无法适用的拥挤人群场景,提出一种根据单元格速度和前景像素数(大小)及其运动方向是否具有刚性运动特性来判别异常的检测方法。为了只分析前景目标忽略不相关的背景,首先将输入帧进行前景分割,再将输入帧分割成不重叠的单元格,通过计算单元格中前景像素的光流提取每个单元格的运动特征来判定异常的发生。其中,速度特征可以检测出速度过快的异常情况。为了区分出车和因人群走近而形成的大目标,提出运动方向统计的方法。实验表明该方法在较短的时间内具有较好的检测效果。     

基于社会力的多人异常行为检测

介绍了一种基于社会力的多人异常行为检测方法。在获取视频中多人区域的光流的基础上,计算区域的社会力,然后统计社会力方向的分布,生成社会力方向直方图,并以直方图熵的大小作为异常行为检测的依据。实验证明,该方法能够有效地检测出区域中多人之间的异常行为。     

基于视频的人体异常行为识别与检测方法综述

作为计算机视觉的重要分支,异常行为识别与检测技术已在智能安防、医疗监护、交通管控等领域获得了广泛应用.对异常行为的界定及判别方法与场景因素紧密相关,针对不同应用场景特点,适当选择特征提取及异常行为识别与检测方法,进而保证预警准确率,在实际应用中至关重要.基于此,对基于视频的人体异常行为识别与检测方法进行综述,首先给出人体异常行为的定义、特点及分类;其次,对特征提取方法进行总结,特征提取方法的选取及提取特征的好坏直接影响后续判别结果;再次,从异常行为识别和异常行为检测两个角度对异常行为判别方法进行分析和讨论,给出常用异常行为检测数据集及相关算法表现;最后,对本领域未来研究方向提出展望.     

基于递归神经网络局部建模的人群异常事件监测

针对密集人群建模困难、异常事件检测可靠性差等问题,提出了一种基于递归神经网络局部建模的人群异常事件监测与定位方法。该方法首先对人群场景进行网格划分,提取多尺度光流统计直方图特征,并按照一定规则进行特征选择,建立人群动态序列事件表示;然后采用递归神经网络对人群场景进行局部细粒度建模和预测;最后基于前后帧重构误差进行异常事件判定,实现异常事件的监测和定位。公共数据集UCSD上进行的对比实验结果验证了该方法的有效性。     

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.     

基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.     

适用于密集人群的异常事件实时检测方法

在密集人群场景下,针对现有异常检测算法在实时性和适用性方面的不足,提出了一种基于光流特征和卡尔曼滤波的实时检测方法。该方法首先提取图像的全局光流强度作为运动特征;然后对全局光流值进行卡尔曼滤波,并对残差进行分析;假设残差在正常状态下服从高斯分布,利用假设检验加以验证;运用最大似然(ML)估计得到残差的概率分布;在一定置信度下,确定正常状态的可信区间和异常状态的判定公式,并以此判断异常事件是否发生。实验结果表明,该方法对尺寸为320×240的视频,平均检测时间低至0.023 s/frame,且准确率可达95%以上。因而,该方法在保证较高检测率的同时,还具有良好的实时性。     

人群运动中的视觉显著性研究

在公共场所中人们都倾向于以分组的形式进行运动,本文把这种以分组形式运动的若干个行人称为运动群组,具有视觉显著性的人群运动群组是场景理解的重点,其对人群的整体运动也影响最大。本文对运动群组的视觉显著性展开了研究,分别从规模、速度、组内紧致度和变化度４个方面来对运动群组的视觉显著性进行度量,并基于该度量给出了视觉显著性运动群组检测方法。首先,利用光流法对运动人群进行分析得到光流向量;然后通过层次聚类算法对运动人群进行分组;最后,基于本文所给出的度量计算每个群组的视觉显著性,以检测出视觉显著性最高的运动群组。实验表明该方法能够有效地对视觉显 著性运动群组进行检测,该研究成果可应用于人群场景理解、人群运动分析和人群场景分类等计算机视觉研究领域。     

面向边缘端设备的轻量化视频异常事件检测方法

现有基于CNN模型的视频异常事件检测方法在精度不断提升的同时,面临架构复杂、参数庞大、训练冗长等问题,致使硬件算力需求高,难以适配无人机等计算资源有限的边缘端设备。为此,提出一种面向边缘端设备的轻量化异常事件检测方法,旨在平衡检测性能与推理延迟。首先,由原始视频序列提取梯度立方体与光流立方体作为事件表观与运动特征表示;其次,设计改进的小规模PCANet获取梯度立方体对应的高层次分块直方图特征;再次,根据每个局部分块的直方图特征分布情况计算表观异常得分,同时基于内部像素光流幅值累加计算运动异常得分;最后,依据表观与运动异常得分的加权融合值判别异常分块,实现表观与运动异常事件联合检测与定位。在公开数据集UCSD的Ped1与Ped2子集上进行实验验证,所提方法的帧层面AUC分别达到86.7%与94.9%,在领先大多数对比方法的同时参数量明显降低。实验结果表明该方法在低算力需求下,可以实现较高的异常检测稳定性和准确率,能够有效兼顾检测精度与计算资源,因此适用于低功耗边缘端设备。     

基于运动矢量交点密集度的人群恐慌行为检测

为了更准确有效的识别人群恐慌行为,本文提出了一种利用视频中人群运动矢量的交点密集度来判断人群恐慌异常的新算法.该算法以LK光流法为基础来提取运动人群的运动矢量信息,接着通过获得的信息求取运动矢量间的两两交叉点,然后运用分块法求得区域交叉点密集度,并以此来识别人群异常.对多个视频进行测试,测试结果表明:该算法能够以较高正确率识别视频中人群的恐慌行为.     

基于KOD能量特征的群体异常行为识别

在群体异常行为识别过程中, 针对传统特征易受目标遮挡影响导致其对群体行为的弱描述性问题, 提出一种基于KOD（kinetic orientation distance）能量特征的群体异常行为识别方法。该能量特征忽略群体中相互遮挡的个体的局部特征, 从群体行为整体上分别根据群体的运动剧烈程度、群体运动方向一致性和群体中个体的相对位置定义并提取群体动能、方向势能和距离势能构成群体行为高层KOD能量特征, 以此描述群体的运动状态变化, 最后通过构建隐马尔可夫模型实现群体异常行为检测及类型识别。在PETS和UMN公共数据集上进行实验并与传统光流特征进行对比, 实验结果表明, 使用KOD能量特征能够有效地检测出群体异常行为并识别出其类型, 且能够达到92%的准确率。     

基于动态帧间间隔更新的人群异常行为检测

针对视频监控中人群异常行为检测方面存在的实时性和准确性问题,本文基于金字塔LK光流法提出一种动态帧间间隔更新的人群异常行为检测的方法. 该算法通过提取的人群运动信息来动态更新帧间间隔,接着以该帧间间隔来检测人群运动信息. 这样,算法不仅保留了原算法在检测人群运动信息方面优点,且有效提高了算法的运行效率. 最后,该算法通过获取的人群运动矢量交点密集度及能量信息来识别人群异常行为. 对多个视频进行测试,测试结果表明,该算法能够以较高正确率识别视频中人群的异常行为,同时还有效提高了算法的运行速度.     

基于运动显著图的人群异常行为检测

针对公共场所中人群监控准确性和实时性低的问题,提出一种基于运动显著图的人群异常行为检测方法。该方法首先利用Lucas-Kanade法计算稀疏特征点的光流场,并对光流场进行时间和空间上的滤波处理,然后计算特征点的运动方向、速度和加速度。为了准确描述人群行为,将人群的速度幅值、运动方向变化量和加速度幅值分别映射为图像的R、G、B三个通道,并以此合成代表人群运动特征的运动显著图。最后,设计和训练面向人群运动显著图的卷积神经网络模型,并利用该模型检测人群中是否存在异常行为。实验结果表明,该方法能够有效、实时地检测人群异常行为,在UMN和PETS2009数据集的检测率均达到了97.9%以上。     

“帧平均加速度”人群异常运动检测算法

如何有效地分析、监测突发人群异常状况已成为目前的一个研究热点问题。通过速度值的大小变化来分析是否出现异常状况是目前最常用的人群异常检测方法。但是,除了值的大小之外,运动的方向显然也是速度的另一个重要的特征。研究表明：人群出现异常时,一个最明显现象是人群的运动速度大小或运动方向突然出现变化,例如,由慢速行走转变为迅速奔跑、突然改变行进方向等异常运动。基于此,提出了基于加速度的人群异常检测算法。该算法采用金字塔Lucas-Kanade光流法,通过计算“帧平均加速度”对人群的运动进行分析。实验结果表明所提出的算法能够快速、有效地检测出人群运动的异常,而且相对于单纯运用运动速度值大小进行检测方法,检测结果更准确,应用范围更加广泛。     

基于深度学习与稀疏光流的人群异常行为识别

目前公共场所人群异常行为检测的异常种类检测准确率较低,且多数对突然奔跑等部分异常行为无法识别.为此,提出一种基于YOLO_v3与稀疏光流的人群异常行为识别算法,通过检测小团体异常为群体异常预警与采取相应的应急措施提供充足的时间.为方便定位异常发生区域,将视频分割为多个子区域,通过获取子区域的图像样本进行诱发群体异常的小团体异常检测,利用改进YOLO_v3神经网络对传统算法较难检测行人持棍、持枪、持刀与面部遮挡等异常进行检测,在未检测到上述异常诱因时,使用稀疏光流法获取人群平均动能与运动方向熵,将得到的特征数据通过PSO-ELM进行分类,区分正常行为与同向突散或无规则突散.实验结果表明,与现有同类算法相比,该算法能有效检测行人持械与面部遮挡等小团体异常,并且定位异常发生区域的准确率达到98.227%.