基于svm的群體異常行為識別方法研究正文

1、 1. 緒論1.1 研究背景及意義當今社會是一個人口密集，高度復雜的社會，面臨的突發(fā)事件和異常事件越來越多，其監(jiān)測的難度和重要性也越來越突出?，F(xiàn)有的視頻監(jiān)測系統(tǒng)大多數(shù)只是進行場景內(nèi)運動目標的監(jiān)測和跟蹤，進行進一步識別與行為理解等很少，雖然人們不斷建立越來越大的視頻監(jiān)控系統(tǒng)，但這些監(jiān)控系統(tǒng)也幾乎淪為一種提供事后取證錄像的工具。然而，監(jiān)控的目的就是對監(jiān)視場景中的異常事件或監(jiān)控對象的行為進行檢測與分析。在長時間視頻序列中采用人工處理此類工作

2、既不實用也不經(jīng)濟，因此在視頻監(jiān)控序列中進行一場檢測十分重要而且必要。群體異常事件檢測作為一種應(yīng)現(xiàn)實迫切需求而產(chǎn)生的研究領(lǐng)域，正受到越來越廣泛的關(guān)注。群體異常事件檢測旨在從視頻數(shù)據(jù)中發(fā)現(xiàn)隱藏著的、能刻畫群體異常事件的特有的信息，并通過學習的方法訓練檢測模型，當下次有類似異常事件發(fā)生的時候，能夠自動并及時的發(fā)出警報，以幫助人們及時的決策處理異常事件，避免事態(tài)進一步的擴大。該領(lǐng)域的研究具有廣泛的應(yīng)用前景，己成為當前研究的熱點之一。群體異常事件

3、檢測系統(tǒng)的漏報與錯報必然會給人們帶來巨大的困擾和損失。目前已有的各種群體異常檢測算法大都在檢測的準確率和時間效率上不盡人意，都不能應(yīng)用于實際應(yīng)用。因此，有必要對群體異常檢測算法進行更深入研究，開拓新思路，提出新算法，以提高準確率和時間效率，降低漏報錯報率，進而能夠更加快速高效地檢測出聚集場景中的異常行為，提供更有價值的信息。1.2 國內(nèi)外研究動態(tài)及主要研究方法人類行為分析這一方向早已引起了人們的關(guān)注，1850 年，E. J. Marey

4、 and E. Muybridge 等拍攝運動的目標，并發(fā)現(xiàn)了人類及動物的運動中出現(xiàn)的許多令人驚喜的現(xiàn)象。近年來，隨著相關(guān)學科的發(fā)展，人類的運動分析作為計算機視覺的一個熱點方向，吸引了大量的研究人員，美國、英國等發(fā)達國家，已經(jīng)開始了大量人類行為識別項目的研究。1997 年美國國防高級研究項目署（Defense Advanced Research Projects Agency）與卡內(nèi)基梅隆大學、麻省理工學院等諸多高校合作研究視覺監(jiān)控的

5、重大項目 VSAM（Visual Surveillance And Monitoring） ，主要是研究對戰(zhàn)場及普通民用場景下的目標行為識別技術(shù)；美國賓夕法尼亞州大學研究的三維人體頭部及臉部跟蹤系統(tǒng)，采用了有限元素模型對人臉動作進行實時跟蹤； Microsoft 公司也推出了 3D 體感攝影機 Natal，逐中國科學院自動化研究所、浙江大學人工智能研究所等。雖然人類運動分析還屬于一個新興的研究領(lǐng)域，但卻取得了良好的成績。例如，由中

6、國科學院計算所研究的“三維人體運動仿真技術(shù)的定量輔助分析系統(tǒng)” “數(shù)字化三維人體運動的計算機仿真和分析技術(shù)”和“基于視頻分析的技術(shù)” 。這些科研成果在雅典奧運會上得到了實際的應(yīng)用，并且取得了巨大的成就。中國科學院自動化研究所對人類的步態(tài)進行分析識別，進而判定人類的身份。浙江大學主要研究人體動畫，從視頻流提取動畫信息，替代傳統(tǒng)運動捕捉設(shè)備。微軟亞洲研究院多媒體研究高級人機交互手段。例如，通過對手勢語言的理解，還可以進行聾人與計算機之間的手

7、語交流。盡管在人類簡單行為研究中取得了一定成果，但國內(nèi)的人類群體異常行為研究還處于一個發(fā)展的階段，隨著這一領(lǐng)域研究的深入及需求的提升，必然會有更多的研究者將精力投入到這一方向。人的行為分析研究在視頻監(jiān)控系統(tǒng)中的應(yīng)用往往關(guān)注與人的異常行為，目前，異常行為檢測的實現(xiàn)方法通常有兩類：（1）把小概率行為或與先驗規(guī)則相反的行為看作異常行為（2）把與已知正常行為的模式不匹配的行為看作異常行為1.3 論文的主要內(nèi)容及結(jié)構(gòu)安排本文研究群體異常行為的檢測

8、，提出了一種具有一定創(chuàng)新意義并可行的方法。本文重點對群體異常行為識別中的關(guān)鍵技術(shù)進行了如下研究：（1）根據(jù)人類群體運動的視頻中存在時間和空間方向上劇烈變化的位置的特點及時空特征點方法在簡單人體行為識別中取得的成功，提出了用時空特征點來描述人類群體的運動，選擇了魯棒方法 Gabor 小波函數(shù)方法用來提取時空特征點，通過實驗驗證了這種方法可以有效的解決人類群體異常行為檢測問題。在時空特征點的描述符建立階段，引入了時空 Haar 特征構(gòu)建描述

9、符利用高斯混合模型對正常行為的特征點集建立模型，為每個關(guān)鍵詞分配不同的概率權(quán)重，并且準確的描述了不同類別出現(xiàn)的概率和輸入的時空特征屬于各個類別的概率。（2）為正常行為以及異常行為中的每個視頻片段建立視頻向量，將生成的視頻向量對 SVM 進行訓練以及學習，輸入已知類別的測試視頻，利用已訓練好的 SVM 對視頻進行群體異常行為的測試，根據(jù)已知數(shù)據(jù)和得出的結(jié)果分析研究，得出 SVM 的識別率，并根據(jù)實際的結(jié)果對 SVM 進行參數(shù)調(diào)整和進一步的