群体突发异常事件检测与事件源定位算法

提出一种群体突发异常事件检测与事件源定位算法以提高检测的准确性。算法分为群体异常行为检测和事件源定位两个阶段,在异常行为检测阶段,提出一种空间、时间联合的异常行为检测算法:在空间角度,提取平均动能分布直方图来描述人群的运动特征,并使用支持向量机分类器对不同状态的人群运动特征进行分类;在时间角度,构建隐马尔可夫模型,对场景中连续的人群行为状态进行异常检测。在事件源定位阶段,在随机抽样一致性算法框架下通过计算异常行为人群的反向延长线交点,实现了事件源位置的定位,并可同时标记多个事件源位置。在UMN公共数据集上进行实验,并与传统光流法、SIFT点检测法与社会力法进行对比,结果表明,该算法能够有效检测出群体异常行为,且AUC=0.967,比上述3种方法的AUC分别提高0.127、0.074、0.007,并成功标记出事件源的合理位置。

智能视频监控中的群体异常事件检测研究

针对群体异常行为检测,基于SVM结合混合特征的方法来解决这一问题,并通过仿真实验实现了基于SVM的群体异常事件检测并进行初步分类。通过使用LK光流法提取运动特征,Gabor小波变换提取纹理特征,颜色均值及颜色方差计算得到颜色特征,组合为166维的新特征并用SVM进行训练,判断是否有群体异常事件并分类。