毕业设计（论文）-基于SVM的群体异常行为识别方法研究.docVIP

1. 绪论 1.1研究背景及意义 当今社会是一个人口密集，高度复杂的社会，面临的突发事件和异常事件越来越多，其监测的难度和重要性也越来越突出。现有的视频监测系统大多数只是进行场景内运动目标的监测和跟踪，进行进一步识别与行为理解等很少，虽然人们不断建立越来越大的视频监控系统，但这些监控系统也几乎沦为一种提供事后取证录像的工具。然而，监控的目的就是对监视场景中的异常事件或监控对象的行为进行检测与分析。在长时间视频序列中采用人工处理此类工作既不实用也不经济，因此在视频监控序列中进行一场检测十分重要而且必要。 群体异常事件检测作为一种应现实迫切需求而产生的研究领域，正受到越来越广泛的关注。群体异常事件检测旨在从数据中发现隐藏着的、能刻画群体异常事件的特有的信息，并通过学习的方法训练检测模型，当下次有类似异常事件发生的时候，能够自动及时的发出警报，以帮助人们及时的决策处理异常事件，避免事态进一步的扩大。该领域的研究具有广泛的应用前景，己成为当前研究的热点之一。群体异常事件检测系统的漏报与错报必然会给人们带来巨大的困扰和损失。目前已有的各种群体异常检测算法大都在检测的准确率和时间效率上不尽人意，都不能应用于实际应用。因此，有必要对群体异常检测算法进行更深入研究，开拓新思路，提出新算法，以提高准确率和时间效率，降低漏报错报率，进而能够更加快速高效地检测出聚集场景中的异常行为，提供更有价值的信息。E. J. Marey and E. Muybridge等拍摄运动的目标，并发现了人类及动物的运动中出现的许多令人惊喜的现象。近年来，随着相关学科的发展，人类的运动分析作为计算机视觉的一个热点方向，吸引了大量的研究人员，美国、英国等发达国家，已经开始了大量人类行为识别项目的研究。1997年美国国防高级研究项目署（Defense Advanced Research Projects Agency）与卡内基梅隆大学、麻省理工学院等诸多高校合作研究视觉监控的重大项目VSAM（Visual Surveillance And Monitoring），主要是研究对战场及普通民用场景下的目标行为识别技术；美国宾夕法尼亚州大学研究的三维人体头部及脸部跟踪系统，采用了有限元素模型对人脸动作进行实时跟踪； Microsoft公司也推出了3D体感摄影机NatalRamin Mehran等提出在图像中建立粒子，利用SFM(Social Force Model)描述粒子与周围空间的相互作用力，用力的强度来描述视频图像中行人行为，然后构建局部时空立方体并建立Bag-of-words模型，达到了较好的效果；Shandong Wu等也采用了一种粒子流动的方式，利用粒子的轨迹来描述局部的轨迹运动，实现了异常行为的检测与定位；针对极端拥挤场景中的异常行为检测问题，Louis和Kratz使用基于梯度的时空模型描述场景运动信息，并用HMM来捕获时空模型之间的关系；Vijay Mahadevan等人用MDT模型化视频序列，然后分别检测模型在时空和空间上的异常，整合后判断异常行为是否出现；Ramin Mehran等人提出用脉线来表征拥挤的场景，清晰的描述了复杂场景下的人群行为。 目前，国外比较有代表性的实时系统有： MIT的Plinder系统 这个系统能用来实时地跟踪人，并分析理解人的行为，通过固定的摄像头，它可以适应不同类型的场景，但只能处理单个没有被遮挡的人体，并且要求人是站立的 （2）CMU的VSAM系统 1997年美国国防高级研究部署DARPA（Defense Adevanced Research Projects Agency）设立了以卡内基梅隆大学（Carnegie Mellon University）为首，麻省理工学院（Massachusetts Institute of Technology）等高校参与的视觉监控重大项目VSAM（Visual Surveillance and Monitoring）,主要研究用于战场一普通民用场景进行监控的自动视频理解技术。利用虚拟场景中的虚拟物体来代替人力监控费用昂贵，非常危险或者人力无法实现等场合的监控 （3）Harilaoglu的W4系统 Maryland大学的Haritaolu等人开发了W（What,Where,When,Who）系统。是一个全面的人体动作的实时视觉监控系统，W不仅能够定位人和分割出人的身体部分，而且能够通过家里外观模型来实现多人的跟踪，并可以检测人是否携带物体简单行为，还可以进行人的标准姿势，如：站，做，躺，卧的行为识别。 此外，美国的雷丁大学（University of Reading）已经开展了对车辆和行人的跟踪机器交互作用识别的相关研究：IBM与Microsoft等公司也正逐步将基于视觉的手势识别技术