基于監(jiān)控視頻的人群異常事件檢測.pdf

1、近年來，隨著越來越多人群踩踏、恐怖襲擊以及其他公共安全事件的發(fā)生，作為群體行為監(jiān)控、分析、預警基礎的人群異常事件檢測已經(jīng)成為智能監(jiān)控領域中亟需解決的問題之一。然而，由于人群運動復雜多變，要列出人群中所有可能出現(xiàn)的異常事件幾乎是不可能的，因此人群異常事件的檢測并不是一個典型的分類問題。為此本文采用先從只包含正常事件的人群視頻中訓練出一個特征集，再通過計算待檢測視頻中人群特征與特征集的偏離程度來判斷人群中是否出現(xiàn)異常這一技術(shù)路線。具體地，本

2、文將人群異常事件的檢測分為兩步：一是人群視頻特征提取，即事件表示；二是模型的訓練更新和人群異常事件檢測。
　　對于人群視頻的特征提取，本文采用了兩種不同方法。一是基于排斥力的特征提取。為避免在擁擠場景中跟蹤每個具體個體帶來的問題，本文使用一種粒子的平流運動來模擬人群的運動，并將通過排斥力模型獲取的能夠準確反映出人群運動的力流矩陣視為提取的特征。二是基于卷積神經(jīng)網(wǎng)絡的特征提取。雖然第一種方法提取的特征在多種類型場景的異常檢測中都取得

3、了良好的效果，但是它對于排斥力變化不明顯的場景敏感度不高。因此我們采用一種改進的卷積神經(jīng)網(wǎng)絡模型，并結(jié)合滑動窗口和PCA以提取人群視頻的時空特征。
　　對于模型的訓練和異常事件檢測，本文采用了一個基于稀疏編碼的分組詞典框架以改善單一模式詞典帶來的計算量大且難以維護的問題。在異常事件檢測時，本文依次使用每個詞典對待檢測單詞進行稀疏重構(gòu)。一旦待檢測單詞能被某個詞典稀疏表示，那么就認為它所表示的事件是正常的；若所有的詞典都不能稀疏表示它

4、，那么就認為是異常的。為解決隨著新視頻的不斷增加和視頻場景的動態(tài)變化而導致的詞典組表示能力退化或概念漂移問題，本文基于稀疏重構(gòu)和一組單詞池提出了一個無監(jiān)督的詞典組局部和全局在線更新算法。
　　最后，本文在公開數(shù)據(jù)集UMN、UCSD以及Web數(shù)據(jù)集上與其他方法進行了對比分析。實驗表明本文的兩種方法都提高了人群異常事件檢測的準確度和效率，并且基于卷積神經(jīng)網(wǎng)絡特征提取的方法改善了基于排斥力的特征提取方法對于排斥力變化不明顯場景敏感度不高