聯(lián)合加權(quán)重構(gòu)軌跡與直方圖熵的異常行為檢測

徐志通，駱炎民，柳培忠

近年來，社會存在諸多潛在的安全問題，一旦發(fā)生必會引起嚴(yán)重的社會后果。而在安全問題發(fā)生之前，運動目標(biāo)在行為上會表現(xiàn)出不同程度的異常，因此，及時識別異常行為對防止?jié)撛谖ｋU的發(fā)生具有重要的現(xiàn)實意義[1-2]。隨著公眾對社會安全要求的日益增加，異常行為檢測技術(shù)成為了計算機視覺的新興研究方向，廣泛應(yīng)用于智能監(jiān)控[3-4]、醫(yī)學(xué)診斷、運動分析等領(lǐng)域，并受到國內(nèi)外研究學(xué)者的廣泛關(guān)注。Jiang等[5]采用上下文感知方法來檢測異常，通過跟蹤獲取行人運動軌跡，并與正常行為軌跡進(jìn)行比較，將偏離較大的軌跡視為異常，該方法依賴于獲取目標(biāo)軌跡的跟蹤算法，因此無法長時間適應(yīng)視覺上下文的變化；Bouttefroy等[6]對運動軌跡的相關(guān)特征進(jìn)行提取，并通過估計概率分布模型來識別異常行為，該方法需要準(zhǔn)確獲取行人運動軌跡，若發(fā)生遮擋便容易丟失目標(biāo)，應(yīng)用具有較大的局限性；Zhao等[7]提出一種完全無監(jiān)督的動態(tài)稀疏編碼方法來檢測異常事件，由于正異常行為樣本分布的不平衡，導(dǎo)致對行人異常行為的識別效果較差；Lu等[8]提出稀疏組合學(xué)習(xí)框架，提取視頻底層特征，通過學(xué)習(xí)正常行為的表示方式來區(qū)分異常，該方法需大量正常行為作為正樣本進(jìn)行訓(xùn)練，無法達(dá)到實時性檢測；Li等[9]通過采用軌跡稀疏重構(gòu)分析方法對行人異常行為進(jìn)行檢測，該方法對不同尺寸樣本均能達(dá)到良好的檢測性能，但受控制點參數(shù)的影響，也無法滿足實時性要求。

本文提出一種聯(lián)合加權(quán)稀疏重構(gòu)軌跡與直方圖熵的異常行為檢測算法。該算法對運動軌跡進(jìn)行訓(xùn)練，構(gòu)造正常行為字典，同時對測試行人軌跡進(jìn)行稀疏重構(gòu)作為軌跡特征，并計算幅值方向直方圖熵作為熵特征。通過對異常行為多特征進(jìn)行聯(lián)合加權(quán)，實現(xiàn)對異常行為的檢測。雖然本文算法在時間上也無法達(dá)到實時性要求，但在復(fù)雜場景中可以實現(xiàn)更加精確的異常行為檢測率。

1 行人檢測

1.1 運動目標(biāo)檢測

本文采用背景相減法對運動目標(biāo)進(jìn)行檢測，其關(guān)鍵在于對背景的建模，考慮到存在天氣、光照及樹葉擺動等引起的前景像素變化，需要對背景進(jìn)行實時動態(tài)更新，圖1為運動前景提取流程圖。

1.1.1 背景建模

常用背景建模方法[10]包括混合高斯建模[11]、碼本建模[12]、雙背景建模[13]及均值建模[14-15]等。均值建模法是將當(dāng)前遍歷到的所有幀像素值取平均作為背景的估計，由式(1)表示：

該建模方法在監(jiān)控設(shè)備固定的情況下，能較完整地從視頻中獲取背景模型。因此，本文通過融合均值背景結(jié)合雙邊濾波法對背景進(jìn)行建模。

圖1 運動前景提取流程圖Fig. 1 The flow chart of moving foreground extraction

1.1.2 背景更新

為了降低光照、天氣等對運動像素變化的影響，需對背景進(jìn)行動態(tài)更新，本文采用分塊分類[16]的背景更新算法，具體的更新過程如式(2)所示：

算法通過計算當(dāng)前幀與前一幀背景對應(yīng)點像素值的絕對差，若小于給定的閾值，認(rèn)為是由光照、天氣等因素帶來的細(xì)微變化，便將當(dāng)前像素點設(shè)置成當(dāng)前背景像素點，提供給下一幀考慮；若絕對差超出給定閾值，則認(rèn)為當(dāng)前幀中存在運動的物體，便結(jié)合前一幀背景，前一幀圖像和當(dāng)前幀圖像來對當(dāng)前幀背景進(jìn)行更新。

1.1.3 運動前景提取

獲得更新的背景模型之后，對當(dāng)前幀與當(dāng)前背景模型進(jìn)行差分操作，提取當(dāng)前存在運動的像素點形成二值圖像，通過選取適當(dāng)?shù)拈撝等コ煞沁\動目標(biāo)帶來的像素值的細(xì)微變化，并進(jìn)行相應(yīng)的形態(tài)學(xué)處理，從而提取感興趣的運動前景，提取過程可表示為式(3)：

圖2 運動前景檢測圖Fig. 2 Moving foreground detection results

1.2 行人識別

由于本文研究的異常行為檢測是基于室外環(huán)境的，為保證運動前景只含行人，需要從復(fù)雜運動前景中區(qū)分行人與其他運動目標(biāo)，并對行人進(jìn)行跟蹤獲取運動軌跡，實現(xiàn)進(jìn)一步的異常行為識別。

在監(jiān)控設(shè)備固定的情況下，若只考慮直立行走的行人，而剛性車輛不易發(fā)生形變，因此選擇外接矩形高寬比作為主要特征以區(qū)分行人與車輛，圖3中(a)、(b)分別表示車輛和行人的外接矩形框。

圖3 外接矩形框Fig. 3 External rectangle box

表 1 和的數(shù)值分布Table 1 Numerical distribution of and

表 1 和的數(shù)值分布Table 1 Numerical distribution of and

幀數(shù) 27 2.67 0.71 64 1.92 0.86 97 2.41 0.62 138 3.24 0.49 182 2.53 0.83 251 2.99 0.57

圖4 行人識別效果圖Fig. 4 Pedestrian recognition results

2 行人跟蹤

時空上下文(STC)算法通過對行人目標(biāo)及相應(yīng)場景中局部上下文區(qū)域的時空關(guān)系進(jìn)行建模，并統(tǒng)計相應(yīng)的低階特征，通過結(jié)合時空上下文信息，實現(xiàn)對行人目標(biāo)的跟蹤，行人跟蹤可視為對目標(biāo)置信度圖的求解過程。

對式(8)進(jìn)行快速傅里葉變換，再進(jìn)行傅里葉反變換，便可得到目標(biāo)與局部上下文之間的時空關(guān)系，即空間上下文模型，如式(9)所示：

基于STC算法在處理目標(biāo)部分遮擋時的優(yōu)越性，為了進(jìn)一步解決跟蹤過程中目標(biāo)被短時完全遮擋及目標(biāo)旋轉(zhuǎn)的問題，本文在STC算法基礎(chǔ)上融入卡爾曼濾波器及HOG特征。

圖5為當(dāng)行人存在完全遮擋時，采用4種算法進(jìn)行行人跟蹤的結(jié)果對比圖。從圖中可以看出，當(dāng)目標(biāo)未發(fā)生完全遮擋時，本文算法與文獻(xiàn)[17]算法，文獻(xiàn)[18]算法和文獻(xiàn)[19]算法在跟蹤效果方面相差不多；一旦被跟蹤的行人目標(biāo)被完全遮擋，即從(a)中的#154和(b)中的#183開始，本文算法的跟蹤效果比其他3種算法更加準(zhǔn)確，而且更加魯棒。

這是因為在通過STC算法預(yù)測下一幀目標(biāo)質(zhì)心位置之前，本文算法將當(dāng)前幀的質(zhì)心位置作為卡爾曼濾波算法起始位置，并結(jié)合目標(biāo)HOG特征，對目標(biāo)下一幀的質(zhì)心位置進(jìn)行最佳預(yù)測，有效地提高行人跟蹤精度，具體跟蹤精度對比如圖6所示。

圖5 視頻序列跟蹤結(jié)果圖Fig. 5 Video sequence tracking results

圖6 視頻序列跟蹤精度圖Fig. 6 Video sequence tracking precision results

3 行人異常行為檢測

在實際監(jiān)控場景中，對行人異常行為的檢測主要是通過對行人運動軌跡進(jìn)行分析，或采用運動幅值方向直方圖熵進(jìn)行判別。文獻(xiàn)[20]通過引入軌跡稀疏重構(gòu)分析，提出最小二乘三次樣條曲線逼近方法檢測異常行為，該方法檢測性能受控制點參數(shù)的影響；文獻(xiàn)[21]提出基于幅值的加權(quán)方向直方圖描述行為，計算運動區(qū)域內(nèi)直方圖熵來判斷行為的異常，該方法可較好地反映異常行為的發(fā)生，但單一特征無法滿足高精度的異常行為表達(dá)。

為了解決最小二乘三次樣條曲線逼近方法受控制點參數(shù)的影響，本文提出一種控制點參數(shù)自適應(yīng)的方法對行人運動軌跡進(jìn)行表示。并通過加權(quán)考慮行人運動軌跡的稀疏重構(gòu)殘差和幅值方向直方圖熵等多種特征，對人體行為進(jìn)行多種表達(dá)，從而有效提升行人異常行為的檢測率。

3.1 控制點參數(shù)自適應(yīng)的運動軌跡表示

根據(jù)本文跟蹤算法獲取一組行人運動軌跡，由于視頻中行人出現(xiàn)的幀數(shù)不同，因此運動軌跡可視為由不同長度的坐標(biāo)序列組成。對于時空軌跡序列{，本文采用自適應(yīng)曲線}控制點以參數(shù)化的方式來表示軌跡的形狀和時空特征，以提取定長參數(shù)向量對軌跡進(jìn)行表示。其中為控制點個數(shù)，與分別為第個控制點的歸一化橫縱坐標(biāo)，t為軌跡長度。

并通過式計算自適應(yīng)的控制點參數(shù)，使原始軌跡與其近似軌跡之間的誤差平方和達(dá)到最小，從而對行人運動軌跡進(jìn)行有效表示

圖7顯示了正/異常行為運動軌跡樣本及特征表示，其中左側(cè)為運動軌跡樣本圖，右側(cè)為相應(yīng)的特征表示圖。

圖7 正常/異常軌跡表示Fig. 7 Trajectory representation of normal/abnormal

3.2 基于幅值方向直方圖的異常行為表示

本文將行人異常行為定義為運動幅度變化大、運動方向不一致的一些不規(guī)則行為，如打斗、搶劫等，這些行為都具有運動速度快、方向紊亂等特征。由于行人運動幅值方向直方圖[23]具有旋轉(zhuǎn)平移不變性，能夠很好地反映出行人動作的幅度大小，直方圖熵能夠反映運動方向的混亂程度，因此可采用幅值方向直方圖熵對異常行為進(jìn)行表示。

首先將運動軌跡分成8個子區(qū)域，以每45°作為一個區(qū)域邊界，對于行人運動軌跡上的每一個點，分別根據(jù)式(17)計算每個軌跡點的切線方向?qū)儆谀膫€子區(qū)域中，若某個運動軌跡的所有點的切線方向均穩(wěn)定處于少量幾個子區(qū)域，則該運動軌跡為正常行為的概率更大，而如果某運動軌跡的所有切線方向占了絕大部分的子區(qū)域，說明該運動軌跡更加紊亂，更有可能為異常行為所產(chǎn)生的運動軌跡。

對于打架、搶劫等劇烈運動，通過計算基于幅值的加權(quán)方向直方圖可有效抑制由噪聲造成的小范圍方向混亂，實現(xiàn)更好的異常行為識別，假設(shè)第幀的直方圖模型如式(18)所示，

針對實驗選取了部分視頻序列進(jìn)行幅值方向直方圖的計算，與正常行為相比，異常行為往往具有運動幅度較大的特點，因此當(dāng)某區(qū)域存在異常行為時，該區(qū)域的運動幅值偏大，而且方向比較混亂，而正常行為則運動幅度小，方向比較一致。其中正常行為與異常行為的加權(quán)幅值方向直方圖的實驗結(jié)果如圖8所示。

圖8 加權(quán)幅值方向直方圖Fig. 8 Weighted amplitude direction histogram

3.3 加權(quán)重構(gòu)軌跡與直方圖熵的異常行為檢測

基于室外監(jiān)控場景，對于行人異常行為的檢測，本文通過計算待檢測運動軌跡與正常行為軌跡字典的稀疏重構(gòu)殘差，同時考慮加權(quán)幅值方向直方圖熵值，結(jié)合行人運動的多種特征，實現(xiàn)對行人異常行為的高精度識別。

3.3.1 正常行為字典建立

在真實監(jiān)視場景中，正常運動軌跡的訓(xùn)練樣本集合非常大，因為絕大多數(shù)人的行為都是正常的，而異常運動軌跡的訓(xùn)練樣本卻很小，因此學(xué)習(xí)正常行為字典具有高計算復(fù)雜度。以文獻(xiàn)[24]為基礎(chǔ)，采用式(19)定義一種分層框架學(xué)習(xí)字典的數(shù)學(xué)模型。

對于某層任一數(shù)據(jù)點，通過與上層字典原子的關(guān)系預(yù)先規(guī)劃下層可預(yù)選編碼路徑及激活原子，隨著分層學(xué)習(xí)字典層數(shù)的增加，由于相似數(shù)據(jù)點選擇的原子具有多樣性，因此在定義下層字典時，原子數(shù)目選擇為上一層的2倍。

具體正常行為字典訓(xùn)練過程如算法1所示。

算法1 行為字典樹結(jié)構(gòu)學(xué)習(xí)算法

輸入 跟蹤獲取的行人時空運動軌跡序列T；

2) 學(xué)習(xí)第1層字典?；谖墨I(xiàn)[25]，學(xué)習(xí)作為第1層訓(xùn)練字典，構(gòu)建數(shù)據(jù)點與原子之間的稀疏矩陣并更新，滿足條件時停止迭代優(yōu)化；

5) 迭代條件判斷。若行為字典訓(xùn)練的樹結(jié)構(gòu)層數(shù)未達(dá)到，則重復(fù)步驟3)與4)。

通過充分考慮相鄰層之間原子的父子節(jié)點關(guān)系，為每層建立一個子字典，將下層原子與上層相互關(guān)聯(lián)。隨著層數(shù)的增加，正常行為軌跡的特征可實現(xiàn)由模糊特征到細(xì)節(jié)特征的變化，該訓(xùn)練算法能有效解決傳統(tǒng)字典學(xué)習(xí)中原子關(guān)聯(lián)缺失的問題。

3.3.2 稀疏重構(gòu)運動軌跡

通過激活與給定輸入軌跡相似度高的少量樣本，使整個系數(shù)向量保持稀疏。稀疏重構(gòu)[26]是將待檢測的行人軌跡通過正常行為字典中的行人軌跡以一個稀疏向量進(jìn)行表示，具體表示如式(20)所示：

由于正常行為字典中的行人運動軌跡幀數(shù)與待檢測運動軌跡幀數(shù)可能不一致，因此在對運動軌跡進(jìn)行稀疏重構(gòu)之前，需要對幀數(shù)較多的運動軌跡進(jìn)行截取，保證正常行為字典中選擇的運動軌跡與待檢測的行人運動軌跡具有相同的幀數(shù)。若待檢測的運動軌跡能夠在正常行為字典中找到少量相似度高的軌跡進(jìn)行表示，此時稀疏向量中存在少量接近數(shù)值1的向量值，而當(dāng)待檢測的運動軌跡在正常行為字典中找不到相似度高的軌跡進(jìn)行表示，此時稀疏向量中存在大量接近數(shù)值0的向量值。所以無論待檢測的行人軌跡為正常行為或是異常行為，都滿足稀疏重構(gòu)時的稀疏性。

L1范數(shù)不僅可以盡可能地近似表示待檢測軌跡，而且能夠在正常字典中樣本較少的情況下對稀疏系數(shù)進(jìn)行高效求解。當(dāng)然，對于稀疏系數(shù)而言，與數(shù)值0的差值越大，表明待檢測運動軌跡與正常行為字典中的軌跡越不相似，因此，為了充分表現(xiàn)出相似值大小對最優(yōu)的影響，采用迭代加權(quán)L1范數(shù)計算稀疏系數(shù)，計算公式如式(21)所示：

3.3.3 直方圖熵

運動信息熵[27]可用來描述行為方向的紊亂程度，因此通過計算區(qū)域內(nèi)直方圖熵可以更準(zhǔn)確地對異常行為進(jìn)行描述，首先計算每個區(qū)域直方圖的熵值，計算過程如式(22)所示。

圖9為不同視頻段直方圖熵的變化曲線，其中細(xì)實線表示檢測結(jié)果為正常行為，粗實線表示檢測結(jié)果為異常行為。從圖中可與看出，視頻1共272幀，第122～150幀之間發(fā)生異常；視頻2共275幀，第107～209幀之間發(fā)生異常。

圖9 直方圖熵的變化曲線Fig. 9 Curves of histogram entropy variation

3.3.4 聯(lián)合加權(quán)重構(gòu)軌跡與直方圖熵

表 2 權(quán)重與 的選取值Table 2 The selected values of weight and

表 2 權(quán)重與 的選取值Table 2 The selected values of weight and

精度/%0.05 0.95 76.7 0.10 0.90 78.9 0.15 0.85 81.8 0.20 0.80 83.4 0.25 0.75 85.0 0.30 0.70 86.7 0.35 0.65 88.3 0.40 0.60 87.6 0.45 0.55 85.2 0.50 0.50 81.0 0.55 0.45 82.1 0.60 0.40 83.5 0.65 0.35 81.6 0.70 0.30 82.2 0.75 0.25 80.5 0.80 0.20 82.7 0.85 0.15 84.3 0.90 0.10 81.1 0.95 0.05 79.3

圖10 權(quán)重選取不同值時的異常行為檢測精度圖Fig. 10 Abnormal behavior detection accuracy graph when weight select different values

4 實驗與結(jié)果分析

實驗所用機器為Microsoft Windows 10 Professional操作系統(tǒng)；3.30 GHz, Intel Core i5-6600處理器；4 GB內(nèi)存；Intel HD Graphics 530顯卡；使用Matlab R2014a和Microsoft Visual Studio 2013開發(fā)平臺對算法進(jìn)行實現(xiàn)。

4.1 實驗數(shù)據(jù)集

采用中國科學(xué)院自動化研究所模式識別實驗室(http://www.cbsr.ia.ac.cn/china/Action%20Database 20CH.asp)提供的CASIA行為分析數(shù)據(jù)集進(jìn)行實驗，該視頻集由室外環(huán)境下3個不同視角的攝像機拍攝而成，CASIA共有1 446段視頻數(shù)據(jù)，每段視頻含有200～300幀不等，幀大小為320×240，其中多人交互行為包括搶劫、打斗、尾隨等。

假設(shè)一般情況下，拍攝到的行人行為是正常的，異常行為設(shè)定為出現(xiàn)打斗、搶劫畫面的情況，如圖11所示。

圖11 CASIA數(shù)據(jù)集的異常行為Fig. 11 Abnormal behavior of CASIA dataset

4.2 評價標(biāo)準(zhǔn)

考慮到正異常行為分布的不平衡性，若僅采用單一評價標(biāo)準(zhǔn)無法較好的分析模型檢測性能。實驗通過檢測精度、錯誤率和曲線3個評價指標(biāo)對結(jié)果進(jìn)行衡量。假設(shè)某時刻發(fā)生異常，若被檢測為異常稱為，未被檢測為異常稱為；假設(shè)某時刻未發(fā)生異常，若被檢測為異常稱為，未被檢測為異常稱為。

4.3 實驗結(jié)果分析

對監(jiān)控視頻中的行人打斗、搶劫兩種異常行為進(jìn)行檢測，本實驗分別在打斗視頻和搶劫視頻中進(jìn)行測試，以打斗異常為例，檢測結(jié)果如圖12所示。

圖12 異常行為檢測結(jié)果圖Fig. 12 Abnormal behavior detection results

此處采用混淆矩陣對本文算法在打斗視頻及搶劫視頻中的結(jié)果進(jìn)行統(tǒng)計，統(tǒng)計結(jié)果如表3～4。

表 3 打斗視頻中行為統(tǒng)計結(jié)果Table 3 Results of the behavioral statistics in the fight video

表 4 搶劫視頻中行為統(tǒng)計結(jié)果Table 4 Results of the behavioral statistics in the rob video

表3為本文算法在打斗視頻中的行為統(tǒng)計結(jié)果，當(dāng)出現(xiàn)行為發(fā)起者雙方位置順序發(fā)生調(diào)換且運動熵很大時，打斗行為被誤認(rèn)為是搶劫行為，共錯檢9幀；在打斗過程中，出現(xiàn)兩者無交互行為的瞬間，被誤認(rèn)為是正常行為，該情況共出現(xiàn)17幀。當(dāng)兩者均在跑動時，此時運動熵很大，且軌跡也是交錯的，該種正常行為被誤檢為打斗異常，共8幀。

表4為本文算法在搶劫視頻中的行為統(tǒng)計結(jié)果，當(dāng)搶劫者加速奪過物品，但未超過被奪者的位置，被誤檢為打斗行為，共4幀；在搶劫者加速跑向被奪者，但尚未抓住行李時的正常行為，被誤認(rèn)為搶劫行為，共4幀。

為驗證本文算法對行人異常行為檢測的優(yōu)越性，通過與基于軌跡稀疏重構(gòu)分析[20]，基于幅值加權(quán)方向直方圖熵[21]，基于角點歷史信息[28]、基于矩陣近似[29]及基于加權(quán)樣本選擇與主動學(xué)習(xí)[30]的異常行為檢測算法進(jìn)行對比，此處將算法[20-21,28-30]分別表示成SRA算法、E-AWOH算法、CHI算法、MA算法和MCLU算法，將本文算法記為WSRTWHE算法，實驗對打斗和搶劫視頻中的異常行為進(jìn)行檢測，檢測精度對比圖如13(a)、13(b)所示，具體檢測精度和錯誤率數(shù)據(jù)見表5和表6。

圖13 異常行為檢測精度圖Fig. 13 Abnormal behavior detection precision results

通過分析檢測精度圖可得，CHI算法充分利用了圖像的時空信息，并且克服了場景光照影響，但對于存在遮擋時，跟蹤獲得的運動軌跡不清晰,對異常行為的判斷影響較大，因此檢測精度較低，對于搶劫異常更為明顯，僅達(dá)51.72%；SRA算法通過對跟蹤軌跡進(jìn)行線性重構(gòu)，并根據(jù)其與正常行為字典集的稀疏重構(gòu)系數(shù)及重構(gòu)殘差來判斷行為是否異常，該方法可用于較小行為字典集，但檢測性能受控制點參數(shù)的影響，固定個數(shù)控制點導(dǎo)致檢測性能無法達(dá)到最佳，在搶劫異常中，僅76.71%；MCLU算法在選取不確定樣本時考慮到樣本的多樣性，并通過一個權(quán)重值解決數(shù)據(jù)不平衡問題，該方法在視頻監(jiān)控異常行為檢測中取得較好的效果，達(dá)79.17%，但權(quán)值的選擇問題仍然有待解決；MA算法使用低秩矩陣近似對行為模式進(jìn)行建模，根據(jù)與模型子空間的運動偏差來識別異常的行人行為，但該方法的檢測效果依賴于運動偏差閾值的定義；E-AWOH算法通過計算區(qū)域內(nèi)運動幅值直方圖熵來描述行為混亂程度，無需精確軌跡便可較準(zhǔn)確的檢測出行人異常，對于搶劫異常，可達(dá)到81.26%。

本文算法對于跟蹤過程中存在遮擋時，跟蹤丟失導(dǎo)致軌跡紊亂的情況，通過結(jié)合卡爾曼濾波器和HOG特征，可精確獲取受短時遮擋目標(biāo)的運動軌跡，有效解決CHI算法跟蹤軌跡不清晰的問題；在對軌跡進(jìn)行表示時，提出自適應(yīng)的控制點參數(shù)選擇，有效解決SRA算法中受控制點個數(shù)的影響。本文算法的聯(lián)合加權(quán)思想來自于MCLU算法，通過考慮目標(biāo)運動的多種特征對人體行為進(jìn)行描述。相比MA算法、E-AWOH算法，本文方法可有效提升行人異常行為的檢測精度，在打斗異常及搶劫異常中分別實現(xiàn)了92.79%和84.62%的檢測精度。

分析表5和表6可知，對于異常打斗和異常搶劫行為的檢測，本文算法在檢測精度方面達(dá)到最佳，尤其對于打斗行為的檢測，高達(dá)92.79%；在檢測錯誤率方面，本文算法略低于其他方法2%～5%，說明本文算法在檢測行人交互中出現(xiàn)的行人打斗和搶劫等異常行為時具有較好的魯棒性。

表 5 打斗視頻實驗對比結(jié)果Table 5 Comparison experiment results in the fight video %

表 6 搶劫視頻實驗對比結(jié)果Table 6 Comparison experiment results in the rob video%

針對打斗與搶劫視頻中的異常行為檢測，ROC曲線圖如圖14所示，分析ROC曲線圖可得出，本文算法相比于5種對比算法，在兩組異常行為的檢測過程中，檢測精度與錯誤率之間可以達(dá)到更好的平衡。

圖14 異常行為ROC曲線圖Fig. 14 Abnormal behavior ROC curve

基于學(xué)習(xí)的方法對特征要求很高，針對視頻中行人發(fā)生異常時存在遮擋的問題，該類方法檢測效果不佳。本文通過時空上下文算法結(jié)合卡爾曼濾波器和HOG特征，有效解決了異常發(fā)生時目標(biāo)被遮擋的問題。在目標(biāo)存在遮擋的監(jiān)控場景中，實現(xiàn)有效的檢測和跟蹤，可獲取更加清晰的運動軌跡，采用自適應(yīng)控制點參數(shù)對運動軌跡進(jìn)行表示，同時結(jié)合運動幅值直方圖熵，實現(xiàn)對目標(biāo)運動的詳細(xì)描述，從而滿足于進(jìn)一步對異常行為的研究。

5 結(jié)束語

本文針對存在完全遮擋時，運動目標(biāo)跟蹤易產(chǎn)生漂移的問題，在時空上下文的基礎(chǔ)上，融入卡爾曼濾波器及HOG特征，對于短時間內(nèi)完全遮擋的行人具有較好的跟蹤效果。通過自適應(yīng)選擇控制點參數(shù)對運動軌跡進(jìn)行表示，同時考慮到目標(biāo)運動直方圖熵，本文提出一種聯(lián)合加權(quán)稀疏重構(gòu)軌跡與幅值方向直方圖熵的行人異常行為檢測方法，在識別行人交互中存在的打斗和搶劫異常時，檢測率可達(dá)92%以上。但本文方法仍存在一些不足，比如在獲得幅值方向直方圖時，需計算軌跡上每個點所在子區(qū)域范圍，計算過程復(fù)雜，且無法達(dá)到實時性要求，對于時間性能的提升將是下一步研究的重點。