利用光流相關(guān)分析檢測異常人群行為

李笑 徐一鳴 李林陽

摘? 要：目前準(zhǔn)確和快速地檢測各種異常事件是視覺監(jiān)控的主要目標(biāo)，該文提出了一種基于光流相關(guān)分析的人群異常行為快速準(zhǔn)確的檢測方法，在標(biāo)準(zhǔn)數(shù)據(jù)集UMN和PETS 2009上進(jìn)行實驗。結(jié)果表明，該方法檢測速度快，準(zhǔn)確率達(dá)到了97.2%。此外，在適當(dāng)?shù)墓庹諚l件下，相關(guān)值的范圍較大，反之相關(guān)值的范圍較小。在實驗驗證的基礎(chǔ)上，最佳閾值為0.75，可滿足各種光照條件下的事件檢測。

關(guān)鍵詞：異常人群行為;光流相關(guān)分析;相關(guān)系數(shù);最優(yōu)閾值

中圖分類號：TP391? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A

0 引言

智能視頻監(jiān)控是當(dāng)前研究的重點和難點之一，由于其廣泛的應(yīng)用而日益受到重視，但是定義異常的標(biāo)準(zhǔn)不統(tǒng)一，且生成的數(shù)據(jù)量很大[1]。在這里，異常被定義為人群中的突然分散或人群速度的突然變化。檢測人群中的異常，有幾種常用的方法，光流法是其中之一[2]。提出了一種用于光流矢量加權(quán)速度的算法，并介紹了發(fā)散中心檢測和定位逃逸行為的發(fā)散中心的概念。與績效指標(biāo)模型[3]相比，文獻(xiàn)[2]在績效指標(biāo)準(zhǔn)確性和及時檢測方面都有改進(jìn)。在文獻(xiàn)[4]中提出了一種基于對象的抽象和加速特征的新概念，其性能優(yōu)于績效指標(biāo)模型，但局限性在于處理高密度人群的效果差。該文對光流進(jìn)行了研究，對光學(xué)流矢量的幅度矩陣[5]進(jìn)行了相關(guān)分析。光流矢量具有4個參數(shù)，根據(jù)實驗估計了相關(guān)系數(shù)的閾值，并提出了一種新的方法來檢測擁擠場景中的異常人群行為。

1 算法

人群異常行為檢測的基本步驟有3個。1）對視頻提取前景圖像。2）檢查所有閾值條件。3）判斷是否發(fā)生異常事件[6]。在擁擠的地方人們的活動就會變少，逐幀變化的場景幾乎沒有發(fā)生太大變化，因此，連續(xù)幀之間具有很高的相關(guān)性，其梯度值將非常小。但當(dāng)人群突然開始分散，幀的相關(guān)性將減小，那么連續(xù)幀之間的相關(guān)性的梯度值將增加。算法流程圖如圖1所示。

2 實驗與分析

該文使用UMN數(shù)據(jù)集中的視頻對提出的方法進(jìn)行了評估。UMN包含3個不同場景的11個視頻的組合，其中2個場景在光線充足的室外，而第3個場景在光照條件差的室內(nèi)。這里以2種不同光照條件的場景為例，通過事件位置的隨機(jī)處理，共生成了84個含事件的視頻和28個非事件視頻。所有模擬都是在8.00 GB RAM的3.40 GHz處理器的IntelCoreTMi7-6700 CPU上進(jìn)行的。

視頻1：視頻的長度為21 s，包含625個幀。對視頻1進(jìn)行了二次采樣，共156幀，其中625幀中幀間隙為4幀。圖2為相關(guān)系數(shù)與幀數(shù)的關(guān)系圖，從圖中可以看出，兩者在人群正常移動期間的相關(guān)性很高，但是在突然移動期間，相關(guān)性開始下降，一旦只剩下相當(dāng)少的人，整個視場將不再有什么變化，此時相關(guān)系數(shù)的值很高。

視頻2：從UMN數(shù)據(jù)集中提取，共包含6個視頻，視頻長度為32 s，共766幀，尺寸為320× 240。相關(guān)系數(shù)與幀數(shù)的關(guān)系圖如圖3所示。在正常運動期間，相關(guān)系數(shù)的值較高，并且隨著與事件發(fā)生相對應(yīng)的隨機(jī)運動的開始，相關(guān)系數(shù)值的開始減小。隨著事件的結(jié)束，再次增加。

在從UMN數(shù)據(jù)集和PETS 2009數(shù)據(jù)集生成的多個視頻上，對該文提出的方法進(jìn)行了評估。相關(guān)系數(shù)的值被認(rèn)為是一個異常標(biāo)準(zhǔn)，在適當(dāng)以及不適當(dāng)?shù)墓庹諚l件下，事件檢測的閾值設(shè)為0.75。用接收機(jī)工作特性曲線（ROC）評估該方法的性能，AUC、精度、準(zhǔn)確性和檢測率等各種參數(shù)見表1。結(jié)果表明，該方法的平均檢測率為97.61%。

在適當(dāng)?shù)墓庹諚l件下，通過改變閾值的方式可以使精度的變化范圍在0.76～0.98，而在不適當(dāng)?shù)墓庹諚l件下，其變化范圍在0.19～0.95。因此，選擇0.75為最佳閾值。此時，2種光照條件下的準(zhǔn)確度分別為0.98和0.95。由此可知，閾值0.75在任何光照條件下都是合適的。

3 結(jié)論

該文提出了一種基于光流相關(guān)性分析的人群異常行為檢測方法。實驗結(jié)果表明，與現(xiàn)有方法相比，該方法可以更準(zhǔn)確、更快速地得出結(jié)果。連續(xù)幀的光流的相關(guān)系數(shù)，提供了非事件區(qū)域和事件區(qū)域的區(qū)分條件，可根據(jù)相關(guān)系數(shù)判斷人群行為是否異常。在適當(dāng)?shù)墓庹諚l件下，相關(guān)系數(shù)的取值范圍較大，而在不適當(dāng)?shù)墓庹諚l件下，相關(guān)系數(shù)的取值范圍較小。最終得出在所有光照條件下的最佳閾值為0.75。

參考文獻(xiàn)

[1]Li T，Chang H，Wang M，et al.Crowded Scene Analysis： A Survey[J].IEEE Transactions on Circuits & Systems for Video Technology，2015，25（3）：367-386.

[2]Chen C Y，Shao Y.Crowd Escape Behavior Detection and Localization Based on Divergent Centers[J].IEEE Sensors Journal，2015，15（4）：2431-2439.

[3]趙英，袁宏永，袁夢琦.人員密集場所人群行為突變的自動識別[J].清華大學(xué)學(xué)報（自然科學(xué)版），2015（2）214-217.

[4]Chen C Y，Shao Y.Crowd Escape Behavior Detection and Localization Based on Divergent Centers[J].IEEE Sensors Journal，2015，15（4）：2431-2439.

[5]Bai L，Velichko A，Drinkwater B.Ultrasonic characterization of crack-like defects using scattering matrix similarity metrics[J].IEEE Transactions on Ultrasonics Ferroelectrics & Frequency Control，2015，62（3）：545-559.

[6]陳瑩，何丹丹.基于貝葉斯融合的時空流異常行為檢測模型[J].電子與信息學(xué)報，2019，41（5）：1137-1144.