基于時空特點的群體異常行為檢測算法研究.pdf

1、在計算機視覺領域，智能的對視頻中群體異常行為進行檢測成為廣泛關注的熱點問題。這一方向在智能交通、安防監(jiān)控、人機交互等方面有著理論與應用雙重價值。本文研究的是基于時空特征點對視頻中群體異常行為進行檢測，分析視頻中的逃跑、打架等異常行為。
　　 針對基于跟蹤或粒子流的全局方法計算量大、受光照、遮擋等干擾嚴重的缺點，本文根據人類群體運動的視頻中存在時間和空間方向上劇烈位置變化的特點，同時時空特征點(STIPs：Spatial-Temp

2、oral Interesting Points)方法在簡單人體行為識別中取得了成功，提出了用時空特征點來描述人類群體的運動的新方法，即從視頻中提取時空特征點，對人類群體行為進行局部描述。通過比較分析三種不同的時空特征點提取方法的優(yōu)缺點，我們選擇了一種基于Hessian矩陣的的尺度不變特征點提取方法。
　　 在時空特征點產生以后，我們對時空特征點構建了描述符。為了測試算法在不同描述符下的性能，采用了梯度方向直方圖、光流方向直方圖、

3、時空Haar特征三種描述符并對構建方法進行了詳細闡述。
　　 在對正常行為建模及檢測階段，使用了Bag-of-words模型。產生關鍵詞(words)時，為了克服傳統(tǒng)的K-means方法無法準確描述數據集分布的特點，使用了基于EM估計的高斯混合模型建模方法，使產生的關鍵詞有效描述一組數據的概率分布。然后對樣本中部分正常行為視頻進行劃分，根據關鍵詞為每一視頻片段建立一個帶有概率分布的編碼向量，所有訓練樣本的編碼向量組成編碼表。在檢

4、測階段，也需要對測試視頻進行劃分，提取時空特征點后與關鍵詞進行匹配，根據每一視頻片段的關鍵詞分布構成測試樣本編碼向量，然后計算它與訓練樣本編碼表中各項的歐氏距離，當最小距離大于一定閾值時，則認為測試視頻片段所含行為為異常行為。
　　 本文對提出的算法進行了大量的實驗，在兩種不同數據集下，在取不同的描述符、不同的模型數量時，給出測試的ROC(Receiver Operating CharacteristicCurve)曲線并對特定