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。

结合复小波域去噪和PSO-TSVM的群体异常行为检测

为了提高群体异常行为检测准确率,减少异常检测中噪声带来的影响,给出一种结合复小波域去噪和粒子群优化孪生支持向量机(PSO-TSVM)的群体异常行为检测算法。通过Horn-Schunck光流法提取视频中群体行为的速度、加速度、方向特征和人群密度特征;利用非抽样对偶树复小波包变换和双变量模型对抽取的群体行为特征进行噪声去除;使用去噪后的群体行为特征训练和测试经粒子群算法优化的孪生支持向量机模型,实现视频中的群体异常行为检测。在UMN视频数据集和自建数据集上的实验结果表明:相较于社会力模型和粒子熵模型等方法,所提算法具有更高的检测准确率。

基于线性稀疏模型和iHMM的群体异常事件检测

在群体异常检测中,人群特征感知主要提取个体的群体特性。提出了基于群特征的稀疏线性模型和无限隐马尔可夫(SLM-iHMM)方法检测人群异常事件。该方法通过统计模型整合空间和时间因素,基于SLM提取空间线索,从而在空间域中建立用于群特征提取的统计模型。时间线索在iHMM中被明确地编码,用于分析来自空间域的时间多尺度特征。关于UMN数据集的实验验证了该方法的可行性和有效性。

人群密集度下GAN的视频异常行为检测进展

视频异常检测作为计算机视觉的重要分支,是智能监控系统中一项极具挑战性的任务,通常是指自动识别视频中的异常目标、行为或事件,对保障公共安全起着至关重要的作用。生成对抗网络是一种新兴的无监督方法,不仅可以用于生成图像,且其独特的对抗性学习思想在异常检测领域也显示出良好的发展潜力。介绍了生成对抗网络的框架结构;根据场景密度以及行为发生的对象,从个体行为异常、群体异常两个方面论述了生成对抗网络在视频异常检测领域的研究现状,分别基于重构和预测的方法对个体异常行为检测和群体异常行为检测作进一步阐述;简要介绍了视频异常检测的常用数据集;最后对未来发展作出了展望。

基于视频的人群密度分类算法

群体异常行为的发生将对社会公共安全构成危害,而不同等级的群体异常行为对社会公共安全构成的危害性不同,因此,对应的关注度和敏感度也不相同。结合Vi Be算法,提出一种改进的人群密度分类方法。最后,通过对自拍视频数据集进行实验测试,验证了该算法的有效性和准确性。