基于條紋流的視頻監(jiān)控中人群模型的搭建

張宏

視頻監(jiān)控中人群流動(dòng)模式與流體中粒子群的運(yùn)動(dòng)模式類(lèi)似的，將流體力學(xué)中的條紋流模型引人到視頻監(jiān)控領(lǐng)域，可以有效的解決該領(lǐng)域存在的模型建立困難，從而提高在視頻監(jiān)控中行為識(shí)別的正確率。

【關(guān)鍵詞】智能監(jiān)控 條紋流 模型建立

由于公共安全事件頻發(fā)，智能視頻監(jiān)控作為成為了當(dāng)前的研究熱點(diǎn)。但是由于視頻監(jiān)控場(chǎng)景特殊，傳統(tǒng)分割的方法無(wú)法真正的適用，異常檢測(cè)效率低下。通過(guò)對(duì)相關(guān)方法的研究和學(xué)習(xí)發(fā)現(xiàn)，導(dǎo)致以上方法的缺陷的主要原因在于，人群建模不完善，產(chǎn)生冗余特征。因此，本文提出了基于條紋流的模型打架方法，從而找到有效的特征，從而最大程度提升視頻監(jiān)控當(dāng)中的準(zhǔn)確性。

1 條紋流模型

條紋流了粒子流動(dòng)的特點(diǎn)，如圖1所示描述了人群的運(yùn)動(dòng)特征，而流體中存在兩個(gè)標(biāo)量勢(shì)函數(shù)（流函數(shù)和速度勢(shì)函數(shù)）可以專(zhuān)門(mén)用來(lái)描述流體的流動(dòng)特征，人群流動(dòng)行為中也同樣存在這樣的勢(shì)函數(shù)。流函數(shù)可以作為空間異常檢測(cè)的參考依據(jù)。速度勢(shì)函數(shù)反映人群運(yùn)動(dòng)時(shí)間異常。

2 條紋流

條紋線的基礎(chǔ)是光流，直接使用光流計(jì)算會(huì)產(chǎn)生較大誤差。我們引入一個(gè)新的運(yùn)動(dòng)流場(chǎng)——條紋流。條紋流封裝了流場(chǎng)在一段時(shí)間內(nèi)的運(yùn)動(dòng)信息，能夠體現(xiàn)流動(dòng)過(guò)程中較快的變化，給定一組矢量數(shù)據(jù)，某像素點(diǎn)的條紋流可以通過(guò)其鄰接像素條紋流逼近，計(jì)算公式參照公式1。對(duì)集合中所有數(shù)據(jù)點(diǎn)分別進(jìn)行線性插值，就可以得到一個(gè)線性系統(tǒng)方程（公式2），求解該系統(tǒng)的最小二乘解，即可計(jì)算得到條紋流F。

ui=a1us （k1）+a2us （k2）+a3us （k3） （1）

其中，ki是鄰接像素的序號(hào)，aj 是已知的與第j個(gè)鄰接像素對(duì)應(yīng)的三角基函數(shù)。

Aus=U （2）

其中，公式2中的aj是矩陣A的元素；us是線性系統(tǒng)的最小二乘解，也是條紋流一個(gè)方向的速度。本項(xiàng)目提出使用格林函數(shù)法（GFM）計(jì)算勢(shì)函數(shù)，該方法簡(jiǎn)單易行，計(jì)算方便。格林函數(shù)法以卷積運(yùn)算為基礎(chǔ)，速度勢(shì)函數(shù)和流函數(shù)具體計(jì)算過(guò)程參照公式3和4。

φ（r）=∫τ ▽G（r-r'）·F（r'）dr' （3）

φ（r）=∫τ▽×G（r-r'）·vf （r'）dr' （4）

其中，r是坐標(biāo)矢量：r=（x，y）；F（r'）表示矢量在位置r'處的速度：F（r'）=（u，v）；G（r-r'）表示格林函數(shù)。

速度勢(shì)函數(shù)和流函數(shù)都是標(biāo)量函數(shù)。流函數(shù)提供了流場(chǎng)穩(wěn)定無(wú)散的信息，其對(duì)應(yīng)的輪廓線（流線）可以?xún)?yōu)化運(yùn)動(dòng)區(qū)域分割的邊界，通過(guò)兩者確定出感興趣（ROI）的運(yùn)動(dòng)區(qū)域，從而完成對(duì)于人群模型的擬合。

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)主要將本文方法獲取到的特征分別運(yùn)用到不同的行為識(shí)別方法當(dāng)中MDT、 Adam，利用ROC曲線來(lái)進(jìn)行分析對(duì)比，通過(guò)圖2我們可以發(fā)現(xiàn)，不論是在UCSD數(shù)據(jù)集或者是在UMN數(shù)據(jù)集當(dāng)中我們都的方法都可以有效的提高檢測(cè)準(zhǔn)確性，但是在UMN數(shù)據(jù)集中，我們的方法穩(wěn)定性不高，具有較大的波動(dòng)，為了探究其原因我們需要更進(jìn)一步的進(jìn)行探索和研究。

4 總結(jié)

通過(guò)相關(guān)理論和實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證，我們可以得出使用基于條紋流的模型可以最大限度的擬合出視頻監(jiān)控中的人群行為，該方法對(duì)于視頻檢測(cè)中的人群特征提取有較好的作用，可以普遍的提高監(jiān)控視頻當(dāng)中對(duì)于人群行為的分析效果，有效的提高人群行為識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)

[1]Ali，S.，Shah，M.：A Lagrangian Particle Dynamics Approach for Crowd Flow Segmentation and Stability Analysis.In：IEEE Conference on Computer Vision and Pattern Recognition，2007）.

[2]V.Mahadevan，W.Li，V.Bhalodia，and N.Vasconcelos，“Anomalydetection in crowded scenes，”in Proc.CVPR，2010.

[3]E.S.I.R.D.Adam and A.Rivlin，“Robust real-time unusual event detection using multiple fixed-location monitors，”IEEE Trans.Pattern Anal. Mach.Intell.，2008.

作者單位

同濟(jì)大學(xué)軟件學(xué)院 上海市 201804endprint