基于异常排斥点和互信息的人群异常检测方法.docVIP

基于排斥点和互信息的人群异常行为探测方法 Mutual Information for the Detection of Abnormal Crowd Behavior 摘要 快速探测人群场景中的异常行为，能够及时预警、减少其危险性并降低由此带来的损害，在大规模侦测、预防踩踏等群体事件中具有很高的实用性。本文提出一种基于异常排斥点的人群异常行为检测方法，定义了人群异常场景中异常排斥点的概念，揭示了异常排斥点在人群异常探测中的重要作用，并通过融合异常排斥点信息与场景互信息扩展了人群异常检测在不同场景中的适用性，大幅度提高了异常检测的准确性和灵敏度。 关键词 互信息，排斥点，人群异常探测，光学流 NoTR-2012-06-007 ? 2012 ZZU —————————— ( —————————— 引言人群状态检测是智能视频监控和智能环境的主要内容，也是实现自动人群管理的基本要求。利用计算机视觉技术对监控视频的内容进行分析并理解在公共管理、国防、反恐、银行、公共安全等方面具有不可替代的作用。近年来频繁的群体性事件造成了大量的人员伤亡和财产损失，如果在异常行为开始时，系统能够及时警报并进一步采取应对措施，就可以有效降低相应事件所带来的危害。所以，异常行为探测在我国的当前社会、经济环境下具有广泛的实用价值。然而，在实际应用过程中，由于监控使用场景广泛、视频量庞大以及人群行为复杂等，人工视频监控和传统视频监控往往需要耗费大量的人力、物力，且效率低下，通用性差，人群异常行为识别严重滞后。为此，智能视频监控技术得以迅速发展，从而将人们从大量的低效率的工作中解脱出来。 目前，智能视频监控主要面临两大挑战：一方面是监控场景范围广，人群异常行为模式复杂。随着监控设备的普及和技术的成熟，监控场景的范围原来越广泛，从公共广场到建筑内部，不同场景的人群活动具有不同的异常行为模式，其中人群的疏散和聚集是其中最具代表性的两类。如广场中某处发生骚乱，人群四处逃散，或向一侧出口逃散。或者广场上某一区域发生聚集。面对如此复杂的异常行为模式，研究其共有的特性以提高监控的普适性就变得尤为重要。另一方面，异常模式探测困难，计算量大。对于智能视频监控来说，及时地探测出人群的异常行为是衡量方法有效性的重要标准之一。及时的探测有助于警报的发出和人群的疏散和逃生，从而能够将危险造成的损失降到最低。为此，有效简化异常探测模型，降低数据预处理的计算量和计算复杂度，满足异常行为检测的高速乃至实时要求是当前人群异常检测的核心内容。 传统人群异常探测技术在计算量以及适用范围上难于满足需求，为此，提出了一种基于排斥点和互信息的人群异常行为探测方法。方法揭示了不同场景下人群异常行为模式的公共特点，并进一步提出了“排斥点”的概念。结合互信息理论，方法对不同的监控场景具有良好的适应性，提高了人群异常行为探测的及时性和准确性。 相关工作 当前流行的人群异常探测方法主要包含两种：一种是基于整体的方法，一种则面向个体追踪。前者往往通过构建场景模型[5,6]，用学习算法估计模型参数后用该模型进行异常检测。Helbing等[3]将牛顿力学定律引入人群动力学分析中, 称之为“社会力” (Social force)。Mahadevan 等在文献[4]中先通过使用动态纹理的混合物建立了正常的人群行为模型，然后使用这个模型来判断异常点。Mehran等[2]对社会力模型进行了拓展, 将其应用到相对稀疏的人群行为建模上。 为避免对每个局部目标跟踪而产生大量计算, 使用了质点平流传送的整体分析方法。 在平流传送的基础上建立力学模型,对社会力流构建语料库后用隐含狄利克雷分配(La-tent Dirichlet allocation, LDA)训练并发现人群行为标题, 再利用词袋法(Word bag, WB) 进行模式分析以检测人群事件。 LDA 训练和词袋模型的EM近似算法导致该方法的计算量偏大。对于实时监控系统来说，这样的计算量对系统来说无疑是个沉重的负担，更无法应用于大量的摄像头监控系统。并且此方法适用于密度较高的人群场景，当人群密度较小，人群中个体之间的相互作用力较小，这样对人群的异常行为的探测影响非常大。并且，该文章没有考虑到在室内场景中，个体与建筑物的相互作用力，如人与墙的排斥力没有考虑到，其适用范围收到一定的限制。 第二种方法更倾向于对场景中个体的追踪[7,8]。Harding[1]提出了一种基于互信息的探测人群异常行为的方法。该方法指出，人群在正常情况下的运动是有序的，场景中人群的位置和方向有关，都是均匀分布的。这样，人群中个体的位置和方向的相关度较高，所以计算得到的互信息值较高。在异常行为下的人群会向安全的地方运动，这样在人群异常行为开始时刻，人群位置分布仍会很平均，但人群