針對視頻監控的中小群體異常行為檢測分析

李銳

摘 要：近年來，視頻監控的應用范圍日漸廣泛，應用過程中，常有中小群體異常行為出現，需及時進行檢測，在此過程中，傳統的檢測方法場景適應與實時性的平衡難以實現。因此，該文基于機器學習角度，將一種通過群體密度、運動特征來對異常行為進行檢測的方法提出，應用對群體密度進行快速估計的方法來對群體的密度特征進行提取，群體運動特征則應用局部稠密光流法來進行提取，與密度特征相結合，對群體異常行為的識別以隨機森林計算法來實現。

關鍵詞：視頻監控 中小群體 異常行為 檢測

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2017）03（a）-0058-02

現階段，對監控視頻中群體異常行為進行檢測的模型大多還有一些問題存在，一方面，實時性與場景適應性的平衡難以實現，對模型進行檢測需要耗費大量時間，這些檢測模型不能對多種異常情況進行適應。另一方面，部分檢測模型忽視了對群體密度的估計，在群體稀疏場景中，運動矢量可能比較混亂，致使誤判出現。基于這些問題，該文提出一種通過群體密度的特征與運動的特征來對異常行為實施檢測的方法。

1 常用監控視頻中小群體異常行為檢測方法分析

當前，基于視頻監控角度，學者們將多種檢測模型提出，具體而言，主要有以下幾種類型：（1）通過分類實現檢測的模型，此種模型對樣本進行訓練，得到正常事件的分類器，隨后應用分類器來對需要檢測的事件進行分類處理。（2）通過推斷實現檢測的模型，對表示事件相關的特征數據實時聚類處理，得到一個基本的事件模式，隨后建立各個基本事件的概率密度函數，以獲得各個基本事件屬于某種模式的可能性，從而推斷出異常類型。（3）通過重構實現檢測的模型，應用正常事件中的相應數據，對其進行訓練，以小誤差重構獲得正常的事件，以大誤差重構獲得異常事件。（4）通過能量實現檢測的模型，在此種模型下，監控區域被看作是一個整體，對其中運動相應的能量進行提取，與閾值進行比對，對行為是否正常進行判斷。

2 該文提出的針對視頻監控的中小群體異常行為檢測方法分析

2.1 算法的整體框架

該文提出的算法通過以下三個步驟來實現：第一，將對群體密度進行快速估計的算法提出，對群體的密度等級（設為G）、群體人數的變化率（設為V）進行提取。第二，將對群體運動特征進行提取的算法提出，對平均動能（設為E）、運動方向熵（設為O）、距離勢能（設為D）三個群體運動特征進行提取。第三，對以上兩個步驟進行綜合，獲得五種群體特征，應用隨機森林算法來對群體行為進行判斷，查看是否有異常存在。

2.2 對群體密度進行檢測的算法

應用混合的高斯背景模型來對ROI中二值前景像素數進行提取，利用透視矯正算法來對前景像素數進行更新，以FAST角點密度來對群體密度權的重值進行設定，使前景像素完成歸一化，于不同的取值范圍中，應用最小二乘法來對曲線進行擬合，以對G進行估計。隨后，以前景像素數的計算獲得V，此種算法對中小群體密度的估算能夠實現良好效果。

2.3 對運動體征進行提取的算法

前景圖通過二值前景的掩碼獲得，對局部的稠密光流進行計算，通過光流的掩碼來對光流的相關運動信息進行提取，得到E、O的運動特征。對光流場掩碼中的FAST角點相互間的歐式距離進行計算，對D進行提取。

3 通過隨機森林進行特征分類的方法

隨機森林算法屬于基于決策樹組合分類算法的一種，個別樹輸出的類別眾數決定了其總體的輸出類別，此種方法運算簡單、快速，事先無需對數據實施預處理，需要進行調整的參數不多，無需擔心擬合過度的問題，可對大數據集進行有效處理，且抗燥能力較強。在現有的諸多算法中，隨機森林算法的精度最高，對多分類問題進行處理時，相較于支持向量機，此種方法的泛化能力明顯較強。其實現過程如下，其中，N為訓練樣本數；M為訓練樣本屬性數，m為整數，>0，

4 分析實驗結果

在雙核2.69 GHz的CPU、內存為1.7GB的PC機上對該監控系統進行搭建，該文算法通過編寫代碼實現（MATLAB 2014a開發平臺），相關視頻的序列來源于PETS2009、UMN，實驗結果證實，相較于傳統的群體異常行為分析方法，該文的方法效果理想，在對中小群體的異常行為進行檢測中比較適用。

4.1 該文算法識別率與傳統算法識別率比對

對于沒有規則的亂動、相同方向突然散亂、突然奔跑三種常見的一種，該文算法的分類結果、識別率均較為理想。傳統的方法分別對群體密度進行估計，對群體運動特征進行提取，與前景像素數、邊緣像素數相結合，以最小二乘法來估計密度群體的數量，應用灰度共生矩陣與支持量機相結合，對估計高密度的人群數量，再應用純光流法來對群體方向熵、運動平均動能進行提取，隨后與事先設定好的閾值進行比對，以判斷是否有異常的行為出現。

4.2 該文算法實時性與傳統算法實時性比對

對于UMN中出現沒有規則亂動的視頻，該文算法的實時性較高。進行實際運用過程中，該文算法每隔5幀就可以采樣一次，采樣率相對較低，這樣，可使計算的耗時得到進一步減少，一般情況下，平均時耗僅為每幀36.6 ms。該文算法與傳統算法的比較情況如下，對于密度進行估計時，該文的用時是53 ms，傳統算法是165 ms；對光流特征進行提取時，該文算法用時為99 ms，傳統算法是138 ms；該文算法分類器用時為0 ms，傳統算法是13 ms。可見，該文算法各項用時均明顯較傳統算法短，在實時性方面，該文算法有巨大優勢。

5 結語

目前，監控視頻的應用日漸廣泛，應用過程中，經常需要對群體異常行為進行判斷，以對監控系統進行及時調試，從而保證監控準確性。為了進一步對監控視頻中小群體異常行為的檢測方法進行探討，該文提出了一種通過對群體密度與運動的特征來對檢測異常行為的方法，采用歸一化的前景像素數來估計群體的密度。此種算法不但準確，而且速度快，能夠對人群稀疏場景進行良好排除，使錯誤判斷減少。另外，該文采用隨機森林算法對異常行為進行分類，并將實驗結果與傳統計算方法得到的結果比較，結果顯示，該文方法的準確度、實時性均明顯較為優越，且有良好的場景適應性，在實際工作中應用價值較大。

參考文獻

[1] 鄭偉，李媛媛.吉林市水利無線視頻監控系統工程建設情況[J].中國防汛抗旱，2011，21（6）：70-72.

[2] 劉洪磊.無線視頻監控組網設計及應用[J].科技資訊，2015，13（5）：26.

[3] 高振中.無線視頻監控在輸變電施工中的應用[J].科技傳播，2013（24）：254-255.