地铁应用场景中半监督群体异常行为检测模型

为了解决拥挤、奔跑及踩踏等地铁群体异常行为带来的公共安全风险问题,针对地铁车站监控视频样本的种类繁多、均衡性差、背景环境复杂多样等问题,提出一种可迁移性强、训练及运行效率高、样本量标注较少的半监督群体异常行为检测模型。结合卷积自编码器和卷积长短期记忆网络,分别对图像样本进行空间维度特征压缩重构和时间维度运动特征叠加,并通过自动检测实时监控视频图像,及时发现不同场景下人群状态的异常行为,以降低危害乘客财产生命安全的可能性。基于现有的视频监控系统,所提模型可以完成对车站内高发区域和场景的全覆盖,将监控图像每个像素的重构误差以热图或散点图的形式叠加到原始图像中,有助于监管人员迅速发现异常区域,并及时响应处置。在Subway、CHUK Avenue及自建的无锡地铁数据集上验证了所提模型的准确性。研究结果表明,与同类经典模型相比,所提模型在提升检测精度的同时也能基本满足地铁车站场景下的实时性应用需求。

基于角点动能的视频群体异常行为检测

为了提高实时性和精确度,提出一种利用角点动能检测群体异常行为的方法.首先,利用金字塔Lucas-Kanade光流法计算FAST(Features from Accelerated Segment Test)角点光流,筛选出运动的角点;然后,利用k均值方法聚类图像中的角点,自适应地调整正常行为角点动能,定义每一类的局部异常程度为角点平均动能与正常时的比值,整体运动异常程度为局部异常程度之和;最后,如果整体异常程度大于异常阈值为异常行为,否则为正常行为.实验结果表明:该方法能够检测出多种群体异常行为且实时性强于Harris、SIFT(Scale-Invariant Feature Transform)和SURF(Speed Up Robust Features)角点,精确度高于光流法、社会力法和图分析法.

基于时空特征点的群体异常行为检测算法

提出了用时空特征点描述群体行为的新方法。首先对比分析时空Harris角点、Gabor小波、Hessian矩阵三种特征点提取方法,选择了基于Hessian矩阵的尺度不变方法提取特征点;分别采用梯度直方图、光流直方图以及时空Haar特征三种方法对特征点构建描述符。采用Bag-of-words策略对正常行为建模,使用基于EM估计的高斯混合模型建模产生关键词,根据关键词为每一视频片段建立一个带有概率分布的编码向量,形成编码表。异常行为的检测是将测试样本的编码向量与训练样本编码表进行比较,计算相似度距离,当最小距离大于阈值时,判该群体行为异常。在UCF和UMN两种群体行为数据集下的实验结果表明,该方法能够对群体异常行为进行有效识别,对尺度变化以及背景光照变化等具有较好的适应性。

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。

群体异常行为识别方法

作为计算机视觉领域最为活跃的研究方向,群体行为分析近年来受到国家的重视。针对群体异常行为的检测和识别的算法也日益发展,比如群密度估算、群体运动检测、群体行为识别等。笔者分析了群体异常行为的特征,并分别从群体特征提取、异常识别技术和分类技术、识别数据库等方面,对当前群体异常行为识别研究进行了概述。

基于小波变换的群体异常行为检测

为有效分析监控视频中群体行为,本文提出了一个基于小波变换的群体异常行为检测方法(WTM).方法不仅可以检测群体的整体移动异常行为,也可以应用于群体中个体异常行为检测.方法首先利用KLT跟踪算法获取运动特征信息,据此设定行为一致性描述因子逐帧度量视频中群体行为一致性,然后利用小波变换独特的时—频局部化特性来检测群体行为一致性指标变化的奇异点,从而发现群体行为异常.通过在公开的视频数据库上进行测试并与其它检测方法进行比较,实验结果表明本文提出的方法能够及时、准确的检测视频中群体异常行为的发生.

群体异常行为分析中面临的挑战与相关技术

群体异常行为的分析与识别过程在技术层面通常面临与个体行为分析不同的挑战,如群体行为类型的定义不明确、用于群体行为分析的数据不足以及对多种类型群体行为检测难度较高等问题。针对群体行为分析的3个阶段所面临的主要问题,对群体行为数据模拟、群体行为图像特征提取和群体异常行为识别相关的研究进行了相关的归纳与介绍。其中,群体行为数据模拟方面,主要介绍不同研究中对群体行为的分类定义,以及宏观、介观和微观方式群体行为模拟的相关研究。其次,对多个研究中使用的群体行为图像特征提取方法,按照低级别运动流的特征到高级别语义特征的顺序进行介绍。最后,分别归纳群体能量模型等基于全局的群体行为识别方法,以及社会力模型等基于局部的群体行为识别方法相关研究,对比其优势及缺陷,并对群体异常行为分析与识别领域可能的研究方向进行展望。

一种基于ViBe的中高密度群体异常行为分级算法

群体异常行为的发生将对社会公共安全构成危害,而当发生异常行为的场景中人群密度越高时,对应的危害程度也就越高。因此,通过对群体的密度特征进行学习分类,提出一种适合于中、高密度人群的群体异常行为分级算法。算法首先根据ViBe算法对场景中人群密度比例进行阈值判断,当该比例超过阈值时,采用基于纹理的分析方法对该场景进行密度估计,并以此为依据,对场景中的异常行为进行分级。实验结果表明,该算法能对中、高密度场景中的人群异常行为进行有效合理分级,具有较强的鲁棒性。

社会网络中基于免疫网络的用户群体行为异常研究

文章重点研究社会网络中用户群体间的关系变化所导致的异常事件,为网络舆情管控和预测提供分析手段。文章借鉴免疫系统中免疫网络的思想,将社会网络中的用户抽象为淋巴细胞,利用淋巴细胞之间的相互作用来描述用户之间的关系,并建立了用户社交圈子描述模型,通过对用户社交圈的变化来捕捉社会网络中的群体行为异常。

基于时空纹理的实时群体行为检测（英文）

描述一套全新的基于时空纹理特征的群体行为模型并对其特征进行分析。该模型针对实时环境中的安检应用,使用丰富的底层图像特征及简洁的行为识别算法,另外定义并提取视频图像中群体行为的纹理特征,使用同性随机场加以描述。所建模型可以方便地定位出异常群体行为的发生位置及时间。通过实验可证明,该方法能快速有效地提取及分析视频异常行为,并能在基于闭路电视的智能安检系统中发挥其优势。

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。

基于视频分析技术的轨道交通车站安全预警模型构建及仿真

针对目前轨道交通车站视频采集过程中无法提取群体和识别群体相互阻塞行人的交互信息问题,提出一种基于视频分析技术的异常行为识别方法,构建了实时监测异常行为的安全预警模型。首先,根据模型的整体架构,设计了目标检测、目标跟踪、目标特征提取、目标异常行为识别四个功能模块。然后应用GMM算法获取了群体目标的运动区域,完成了目标的检测;应用时空立方体的ST分割算法改进了KLT算法,完成了对目标跟踪和特征提取;应用基于CNN结合STFD实例,完成了对目标异常行为的识别。最后,通过在Lawn、Indoor、两个真实的场景中进行了系统仿真实验,验证了该模型的可行性。