群體異常識別在線學習算法研究.pdf

1、隨著經濟和社會的發(fā)展，城市人口密度越來越大，公共場所經常會迎來人流高峰。在人員高密集公共場所容易發(fā)生一些大規(guī)模的群體事件，如得不到即時的處理，往往會釀成嚴重后果。如昆明火車站砍人事件，麥加朝圣踩踏事故和2015年元旦發(fā)生的上海外灘踩踏事故等。公共場所的異常檢測和即時預警顯得尤其重要且意義重大。但由于公共場合場景復雜多變，人群行為多種多樣等因素，群體異常識別充滿挑戰(zhàn)。如何在公共場所快速準確的識別出異常行為，并及時預警已成為時下最為熱門的問

2、題之一。現(xiàn)有的一些群體異常識別算法大多是基于理想場景下進行，且忽略在線學習與更新問題，導致這些算法難以應用到現(xiàn)實復雜的環(huán)境中。本文對群體異常識別算法進行了一些有益的研究和探索，并對群體異常識別領域的在線學習問題，進行了深入地探索，主要研究和成果如下:
　　1:研究了基于稀疏表示的群體異常識別算法，引入過完備字典選擇算法，通過計算字典原子的相似度，刪除原子中相關度極大的原子，使得過完備字典在表達能力幾乎不變的情況下，最大程度的精簡了

3、字典規(guī)模，減少了計算復雜度。通過引入原子權值，改進原來的L1,2正則化范數(shù)約束，每個原子的權值由該原子被用來表示正常樣本的頻率決定。這使得原子自身具備了優(yōu)化能力，即被經常使用的原子，在懲罰函數(shù)中的代價較低，也就意味著其在表示正常樣本時的置信度高。UMN庫以及自攝視頻集的實驗結果表明，相對于固定字典，本文改進的基于字典學習的群體異常識別算法能獲得更高稀疏度的稀疏系數(shù)，識別速度快，識別率更高，優(yōu)勢明顯。
　　2:針對稀疏表示群體異常算

4、法識別速度低，無法滿足實時識別的問題，提出了基于混合高斯模型在線學習的群體異常識別算法，算法從異常行為的概念出發(fā):一個異常行為通常是一個偶然的，突變的;而正常行為是穩(wěn)態(tài)的，持續(xù)的。這恰與混合高斯模型前景提取模型的定義類似?；旌细咚鼓Ｐ蛯洺０l(fā)生的定義為背景，偶然出現(xiàn)的，變化迅速的定義為前景。因此本文將一個群體異常識別模型等價成一個混合高斯模型，通過改變混合高斯模型的參數(shù)，檢測滿足一定條件下激烈運動的前景數(shù)量和分布情況，結合時間軸信息，建

5、立異常行為時空模型，并通過時空模型來理解區(qū)域人群運動的變化。從而本文提出一種基于混合高斯模型的群體異常識別算法，該算法通過自適應閾值的高斯背景提取模型提取視頻幀中滿足一定速度的敏感點，然后通過引入時間軸信息，建立行為的時空模型，并通過對時空模型中敏感運動點分布隨時間的變化分析，識別出群體異常類別。本文在算法中使用自適應判斷閾值和動態(tài)確定起始中心等，使得算法中的參數(shù)均通過學習獲得，從而實現(xiàn)了算法的在線學習與更新。在UMN庫以及自攝視頻集的

6、實驗結果表明，該方法不僅能極快地識別出群體異常，快速分辯出異常類別（四散與群毆等），且能自適應更新內部閾值，在光照等噪音影響下保持較高的準確率。
　　最后，對全文工作進行全面總結，對兩個群體異常識別在線學習算法進行了比較和分析，基于混合高斯模型的方法，對全局異常事件識別率高，能區(qū)分四散和群毆行為，在線更新速度快，能適應場景快速變化，但對局部異常難以區(qū)分?；谙∈璞硎镜姆椒ǎ粌H能較好地識別全局異常和局部異常，而且在線更新穩(wěn)定性高，