基于多层分块的异常行为检测算法.pdfVIP

科学技术与工程 Vol. 15 No. 10 Ap r. 2015 第 15 卷第10 期 2015 年4 月 1671--1815(2015)10-0106-05 Science Technology and Engineering @ 2015 Sci. Tech. E吨咯 基于多层分块的异常行为检测算法 赵飞翔张航何小海* 熊淑华 (四川大学电子信息学院，成都 61∞65) 摘要 为了快速高效地实现复杂场景下的异常行为检测，提出了一种基于多层分块的异常行为检测算法。首先对训练集 中的图片进行多层分块处理;然后对图片中的各个分块进行多维光流特征提取，经过特征融合生成相应的描述向量，用于构 建正常字典;最后基于正常字典对测试样本进行稀疏重建代价(SRC) 的计算来分析数据的异常度。实验是在两个标准视频集 上进行的，实验结果证实了提出算法的有效性。与当前流行算法 PSO-SFM 相比识别效果有提升，针对数据集 PETS 2∞9 的异 常检测结果提升了 1% 。 关键词异常行为 分块处理 稀疏重建代价 正常字典 中罔法分类号 TP39 1. 41 ; 文献标志码 A 很好地解决了已有研究中的不足之处。测试集样本 当今社会对于公共场合安全问题给予了很大 J 通过 K_SVD[13 训练获得超完备宇典[叫，最后通过 的关注，通过对摄像头拍摄到的视频进行异常行为 Yang Cong 等提出的稀疏重建代价(SRC) [IOJ 对 检测，可以快速实现异常行为报警。现有的群体异 由 常行为检测的研究[1 --4 J 存在如下问题:①异常行为 测试集进行计算，并以此作为群体异常行为检测的 标准。 定义模糊;②群体异常行为样本不足。本文算法研 究的异常行为是指公共场所人群发生非正常高速奔 1 群体异常行为检测相关工作 跑的情况，同时为了解决上述样本不足的问题，以视 群体异常行为检测实现流程如图 1 所示，处理 频开始的部分正常图像作为训练集，后面的视频序 过程将训练集和测试集区分开，视频开始的部分正 列将与训练集进行对比，判定行为异常与否。 现有的特征描述方法[5-9 J 已被广泛的应用于群 常序列作为训练集提取特征向量用于构建正常字 典，而后测试集提取到的特征向量与正常字典对比， 体异常行为研究，各个特征描述方法的优势决定了 通过计算 SRC 判定检测结果。特征提取阶段是改 其研究的群体行为的类型。为了更好地描述所研究 进的重点部分，后续内容作详细介绍。 的群体异常行为，在特征方面进行了如下操作，特征 提取采用了较为新颖的特征描述子多维光流直方图 (MHOF) [叫来描述行为;同时引人了多层分块算 法。在分块阶段传统算法采用的是单层的空间分块 用于特征编码，采用了多层分块进行特征提取;然后 在编码阶段，将不同分块得到的特征信息进行融合， 融合的参数由分块提取到的光流强弱决定。进行多 层分块处理后融合的好处