基于景區(qū)視頻的異常事件檢測系統(tǒng)的設(shè)計與實現(xiàn)

林青有

摘要：隨著全球經(jīng)濟的不斷發(fā)展和世界人口的不斷增漲，如在景區(qū)等人口密集場合，較容易受到突發(fā)事件的影響，產(chǎn)生人群擁擠和踩踏等事件。若景區(qū)視頻監(jiān)控可以進(jìn)行智能檢測，自動發(fā)出警報，通知相關(guān)部門采取相應(yīng)的措施，不僅可以節(jié)省較多的人力物力，而且能夠更加準(zhǔn)確高效地應(yīng)對異常事件。因此，基于景區(qū)視頻的異常事件檢測系統(tǒng)的研究成為人們關(guān)心和探索的問題。本文設(shè)計并實現(xiàn)了基于景區(qū)視頻的異常事件檢測系統(tǒng)。

Abstract： With the continuous development of the global economy and the continuous increase of the world population， in densely populated areas such as scenic spots， it is more susceptible to sudden events， resulting in crowding and trampling. If the scenic area video surveillance can be intelligently detected， an automatic alarm will be issued to inform the relevant departments to take corresponding measures， which not only saves more manpower and material resources， but also can respond to abnormal events more accurately and efficiently. Therefore， the research of anomalous event detection system based on scenic video has become a concern and exploration. This paper designs and implements an anomaly event detection system based on scenic video.

關(guān)鍵詞：旅游；異常事件；光流法；社會力模型；灰度共生矩陣

Key words： tourism；anomalous events；optical flow method；social force model；gray level co-occurrence matrix

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）28-0228-03

0 引言

隨著現(xiàn)今社會的高速發(fā)展，世界人口增長速度越來越快，人群踩踏致多人受傷死亡的事故就頻有發(fā)生。智能視頻監(jiān)控在功能和檢測作用上體現(xiàn)了其潛在的巨大經(jīng)濟價值，并且在公共安全方面體現(xiàn)了重要作用。為此，世界各國都進(jìn)行了相關(guān)的探索和研究，并開發(fā)出了各種不同的視頻監(jiān)控系統(tǒng)。

肖兒良[1]開發(fā)的基于MJPG_Streamer的智能視頻監(jiān)控系統(tǒng)能進(jìn)行實時的、遠(yuǎn)程的監(jiān)控，同時能夠快速對入侵目標(biāo)進(jìn)行語音報警。

基于視頻的人群行為綜合分析與高密度人群的多類特征提取分析[2，3，4]，成為智能視頻監(jiān)控系統(tǒng)的一個重要方法，并且在各個領(lǐng)域中有著較大需求。視頻監(jiān)控中行人的行為分為三類：個人行為、小群體行為和高密度群體行為[5]。在設(shè)計基于視頻的人群行為分析系統(tǒng)時，如果上述行為在現(xiàn)實場景中被正確的分析和預(yù)測，則較多重要的社會生活應(yīng)用即可被實現(xiàn)。例如本文所設(shè)計的基于景區(qū)視頻的異常事件檢測系統(tǒng)，當(dāng)在場景中人流量較大時，則發(fā)現(xiàn)異常事件的概率會上升。若人群出現(xiàn)四散，移動速度加快，則有可能是異常事件導(dǎo)致。通過景區(qū)視頻異常檢測系統(tǒng)[6，7，8]，可以減少發(fā)生人群踩踏等異常事件時的疏散時間，及時管理和疏導(dǎo)人群，減少經(jīng)濟損失。

1 系統(tǒng)總體架構(gòu)分析設(shè)計

本系統(tǒng)為管理者提供了基于景區(qū)視頻的前景檢測、灰度共生矩陣特征提取、人群密度估計、SVM訓(xùn)練和異常事件檢測功能，協(xié)助管理者監(jiān)測景區(qū)狀況，在一定程度上滿足了管理者的需求。

基于景區(qū)視頻的異常事件檢測系統(tǒng)能有效地為使用者提供基于景區(qū)視頻的人群密度估計和異常事件檢測的基本功能。因此，本系統(tǒng)設(shè)計了以下幾個模塊：前景檢測模塊、人群密度估計模塊、異常檢測訓(xùn)練SVM模塊和異常檢測模塊，以實現(xiàn)基于景區(qū)視頻的人群密度估計和基于景區(qū)視頻的異常事件檢測功能。系統(tǒng)的功能結(jié)構(gòu)圖如圖1所示。

系統(tǒng)的主要功能介紹如下：

①前景檢測模塊：前景檢測模塊中共有4個按鈕：視頻讀入、單幀檢測、保存檢測結(jié)果和連續(xù)多幀檢測，當(dāng)單擊視頻讀入窗口時可彈出對話框，選取用于前景檢測的視頻文件。單幀檢測則使用高斯混合模型，對圖像進(jìn)行前景提取，每單擊一次，則進(jìn)行一幀圖像的檢測。

②人群密度估計模塊：人群密度估計模塊中主要進(jìn)行訓(xùn)練SVM1和對數(shù)據(jù)進(jìn)行測試，灰度共生矩陣特征提取按鈕用于提取前景檢測后的灰度共生矩陣特征，并將結(jié)果在共生矩陣信息中顯示。在提取特征后，開始訓(xùn)練SVM1之前，需要選擇其核函數(shù)，可通過下拉菜單實現(xiàn)。在選擇好核函數(shù)后，則可以開始訓(xùn)練SVM1，并可通過單擊保存SVM按鈕將訓(xùn)練得到的SVM網(wǎng)絡(luò)進(jìn)行保存，點擊保存SVM按鈕時，彈出與保存檢測結(jié)果類似的對話框，用于輸入保存SVM1的文件名稱。

③異常檢測訓(xùn)練SVM模塊：該模塊主要用于視頻的異常檢測SVM訓(xùn)練，分別有低密度和高密度人群下的異常檢測SVM模塊訓(xùn)練和保存功能。該模塊主要有：訓(xùn)練數(shù)據(jù)選擇按鈕（低密度和高密度），選擇核函數(shù)按鈕，保存SVM（低密度和高密度）按鈕，開始識別按鈕和保存SVM按鈕。低密度和高密度異常檢測SVM訓(xùn)練需要分別進(jìn)行，但是操作過程類似。都是在選擇訓(xùn)練數(shù)據(jù)后，再手工選擇訓(xùn)練所用的核函數(shù)，并通過下拉菜單實現(xiàn)。在選擇好核函數(shù)后，便可以開始訓(xùn)練SVM，并通過單擊保存SVM按鈕將訓(xùn)練得到的SVM網(wǎng)絡(luò)進(jìn)行保存，點擊保存SVM按鈕時，彈出與保存檢測結(jié)果類似的對話框，用于輸入保存SVM的文件名稱，不同密度人群的SVM需要分別命名。

④異常檢測模塊：該模塊主要用于視頻的異常檢測，其可以手工輸入用于判斷異常事件的閾值。該模塊主要有：測試數(shù)據(jù)選擇按鈕，選擇SVM（密度估計）按鈕，選擇SVM（低密度）按鈕，選擇SVM（高密度）按鈕，開始識別按鈕和保存數(shù)據(jù)按鈕。在選擇測試數(shù)據(jù)后，需要手工選擇訓(xùn)練好的SVM，分別為SVM1，SVM2（兩個，一個是低密度異常檢測時使用，另一個為高密度異常檢測時使用）。在選擇好SVM后，需要設(shè)置閾值，本系統(tǒng)默認(rèn)值為0.4，隨后進(jìn)行異常事件檢測，最終將所以圖像提取的特征，實驗結(jié)果等保存為mat文件。

2 系統(tǒng)實現(xiàn)

本文所設(shè)計的基于景區(qū)視頻的異常事件檢測系統(tǒng)在Matlab GUI中實現(xiàn)，系統(tǒng)界面如圖2所示。系統(tǒng)界面中主要分為顯示界面和按鈕控制模塊，在顯示界面中，共有視頻窗口（含社會交互作用力顯示）、前景目標(biāo)檢測窗口、共生矩陣信息窗口和系統(tǒng)信息顯示窗口。按鈕控制模塊主要分為前景檢測模塊、人群密度估計模塊、異常檢測SVM訓(xùn)練（低密度）模塊、異常檢測SVM訓(xùn)練（高密度）模塊和異常檢測模塊。

在視頻窗口中，主要用于顯示讀取的原始視頻，在人群異常檢測時，顯示社會交互作用力。前景目標(biāo)檢測窗口其用于顯示視頻中前景檢測結(jié)果；共生矩陣信息窗口則顯示0度，45度，90度和135度方向的共生矩陣能量值，熵，慣性矩和相關(guān)性。系統(tǒng)信息顯示窗口主要用于顯示不同的系統(tǒng)信息，如視頻讀取位置、保存信息、系統(tǒng)運行狀態(tài)等，其為系統(tǒng)狀態(tài)的實時顯示。下面對各個模塊進(jìn)行介紹。

2.1 前景檢測模塊

本文采用基于高斯混合模型的運動前景檢測方法。在理想條件下，所設(shè)閾值應(yīng)該隨著像素點坐標(biāo)位置的不同而不同，在對比度（Contrast）比較低的區(qū)域，閾值應(yīng)小一些，而在對比度比較高的區(qū)域，閾值應(yīng)設(shè)大些。在具體實現(xiàn)時，可根據(jù)式（1）進(jìn)行判斷，其是否為運動前景。

式（1）中ui，t-1為第i個高斯函數(shù)的均值，其中D1為縮放因子，為一人工設(shè)置的常數(shù)。σi，t-1為第i個高斯函數(shù)在t-1時刻的標(biāo)準(zhǔn)差，α1，β1為閾值，具體在處理時，本文在RGB彩色圖像上進(jìn)行背景提取，當(dāng)RGB三通道同時滿足式（1）時，才將其作為前景點。

2.2 人群密度估計模塊

密度估計模塊的操作流程如圖3所示，首先讀入景區(qū)視頻，然后對景區(qū)視頻進(jìn)行前景檢測，再進(jìn)行灰度共生矩陣特征提取，然后訓(xùn)練SVM模型，之后便可以對景區(qū)視頻進(jìn)行密度估計。

2.3 異常檢測SVM訓(xùn)練模塊

在分別選擇好低密度與高密度SVM訓(xùn)練的核函數(shù)后，則可以分別單擊低、高密度異常檢測SVM模型的開始訓(xùn)練按鈕開始訓(xùn)練SVM2的低、高密度異常檢測SVM模型。

2.4 異常檢測模塊

在得到人群密度后，計算待檢測視頻的光流向量，然后計算其社會交互作用力；最后通過人群密度選擇不同的分類器，人群密集或者人群稀疏，并通過人群異常事件分類器SVM2進(jìn)行判斷，在得到最終判斷結(jié)果前，為了保證穩(wěn)定判斷結(jié)果穩(wěn)定性，提高識別率，本文使用均值濾波和閾值法的方法，得到最終的判斷結(jié)果。

3 總結(jié)

本系統(tǒng)為管理者提供了基于景區(qū)視頻的前景檢測、灰度共生矩陣特征提取、人群密度估計、SVM訓(xùn)練和異常事件檢測功能，協(xié)助管理者監(jiān)測景區(qū)狀況，在一定程度上滿足了管理者的需求。

參考文獻(xiàn)：

[1]肖兒良，毛海軍，鞠軍平，等.基于開源軟件MJPG_Streamer 的智能視頻監(jiān)控系統(tǒng)設(shè)計[J].微電子學(xué)與計算機，2013，30（6）：84-87.

[2]林沁.視頻中的大規(guī)模人群密度與異常行為分析[D].廈門：廈門大學(xué)，2014.

[3]朱海龍，劉鵬，劉家鋒，等.人群異常狀態(tài)檢測的圖分析方法[J].自動化學(xué)報，2014，38（5）：742-750.

[4]李健，劉治紅，蔣飛.一種基于智能視覺的群體性事件現(xiàn)場態(tài)勢感知技術(shù)[J].兵工自動化，2015，34（6）：61-65.

[5]閆志揚.視頻監(jiān)控中人群狀態(tài)分析及異常事件檢測方法研究[D].天津：天津大學(xué)，2013.

[6]董力耘，陳立，段曉茵.基于教室人群疏散實驗的行人流建模和模擬[J].物理學(xué)報，2015，64（22）：220505.

[7]屈云超.密集人群疏散行為建模與動態(tài)特性研究[D].北京交通大學(xué)，2015.

[8]陳鵬，陳建國，袁宏永.群體性暴力行為的多主體建模研究綜述與思考[J].系統(tǒng)仿真學(xué)報，2015（3）：439-447.