異常運動事件檢測在視頻監控系統中的研究

孫慧

摘 要：由于我國經濟水平的進一步發展，過去所采用的視頻監控方式已經不能夠起到安全監控的效果。尤其是對于一些大企業來說，那么怎樣在今后做好對異常運動事件的檢測則成為了相關工作者的主要工作任務，那么下面我們就來具體的討論一下相關的話題。

關鍵詞：異常運動事件檢測；視頻監控系統；研究

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2017）24-0031-02

這些年以來，視頻監控系統是安保工作的重要設施，在很多規模較大的企業當中都得到了應用。不過目前的視頻監控系統，很多都只是具有視頻圖像截取功能，要是在監控期間出現異常行為，則很難進行檢測，這樣一來則不能夠以最快的速度預防例如打架、搶劫等事件。所以在今后的工作中，相關工作人員一定要重視對異常運動事件的檢測工作。

1 常見運動目標檢測方法

若想讓視頻監控系統能夠對異常運動事件進行監測，那么就一定要采用運動檢測的方式來掌控好監控目標。同時，不管是跟蹤工作，還是行為分析，都要根據所監控的運動物體來進行，這樣一來，就會很大程度的提升智能監控的后續處理水平。

運動目標檢測的方法有：首先是幀間差分法，主要是把監控系統所拍到的視頻根據順序進行排列，然后對臨近的視頻幀圖像采取差分計算的方式，這樣一來就能夠獲得視頻幀里發生變動的部分，并將其當作運動目標。采用這種方法，好處在于操作簡單，而且速度快。但同樣也有缺點，那就是無法對運動對象進行合理的分割。其次就是背景分差法。首先要創建視頻背景模型，之后和監控系統視頻幀做差分，這樣一來就可以獲得視頻里的運動目標，這種方法的優勢在于可以采用所有的背景環境，而且能夠有效的檢測視頻里所存在的運動目標；而缺陷則是會因為光線的變化而讓讓檢測的效果下降。若想讓背景分差法具有不錯的效果，那么就一定要對背景進行按時的升級。三是光流法，先掌握好圖像像素點和時間變化之間的關系，然后準確的判斷出運動方向以及速度。此方法所存在的缺點為要進行很復雜的計算，因此電腦的性能必須要好，否則承擔不了這么龐大的運算規模。另外，也無法達到監控的實時性。

2 監控系統中運動目標跟蹤

2.1 運動目標跟蹤法分類

主要分為以下幾類：

基于特征點的目標跟蹤。采用特征點來跟蹤目標，其優點在于算法較為簡便，而且對特征點比較好選擇，不過缺點在于，如果運動目標在運動期間顯得比較繁瑣，那么則很難進行有效的跟蹤。

基于運動場的運動目標跟蹤。主要是根據運動目標的連續性來對每一幀的坐標進行計算，而普遍采用的算法為卡爾曼濾波算法，此算法通常會應用到對運動目標特征的比較上，而在運動目標的運行方位上基本能夠形成一致性。

2.2 TLD目標跟蹤算法

TLD跟蹤算法的流程為：在TLD里，檢測與跟蹤這兩個模塊要一同運行，兩者不能夠形成干擾。第一，跟蹤模塊要確保跟蹤目標不被擋住，而且還要始終能夠顯示在監控屏幕里。要是在跟蹤期間對目標沒有盯住，那么就會造成跟蹤失敗。監測模塊要確保監控視頻當中的所有楨是單獨存在的，所以，在監測期間只需根據單獨的幀來進行。另外，在TLD算法當中融入學習模塊，此目的就是要解決檢測期間所出現的失誤，而且在處理期間，還要及時的對檢測中不完善的地方進行更新。

3 基于軌跡的異常運動事件分析

3.1 常見運動分析方法

主要包括：

（1）主成分分析法：此方法重點是用在對監控目標的檢測上。

（2）動態時間規整法：此前，這個方法應用于語音識別方面。因為語音信號具有隨即性質，造成呢個在說話的時候相同的話會具有很多種的語音信號，所以在和模型進行搭配起家，要把語音信號所形成的時間軸采取彎折的措施，這樣的話它的特征就可以很好的和模版進行搭配。此算法的優勢為，就算監控目標和訓練樣本在目標上不相同，也能夠采取合理的搭配。

（3）有限狀態機法，利用行為特征去創建自動化系統，每個特征最好能夠根據狀態情況來對函數做好轉移工作。在進行搭配期間，監控目標的狀態要和模型序列采取比較的形式，這樣一來就能夠讓監控目標和訓練模型存在很多的相同之處。

（4）隱馬爾可夫模型，在還沒有進行檢測的時候，最好對隱馬爾可夫的隱藏狀態進行設定，然后再對狀態轉換采取更新工作，這樣的話，就能夠讓最后的輸出和事先進行訓練的行為模型進行搭配。

3.2 多目標運動跟蹤

（1）多目標跟蹤初始化。首先檢測器要使用掃面窗口，而掃描窗口的大小要占據視頻寬高的10%，然后有效的掌握好所有的掃描窗口和檢測目標的重疊程度。

（2）利用掃描窗口，來探尋和檢測目標相距最近的10個窗口，之后將所有的敞口放入Good boxes容器里。另外，如果重疊度不大于0.2的話，那么就要放入bad boxes容器。

（3）要在近距離的掃描窗口中選取10個bounding box，之后在所有的bounding box里，采取1%范圍的偏移，另外，還要在所有的像素中增長一定的高斯噪聲，但是這樣的話，就必須要讓所的box都采取進行幾何轉化，如此一來每10個box就會形成近200個bounding box，以此來當作正樣本。

3.3 多目標跟蹤過程

（1）讓中值光流法與跟蹤錯誤檢測法融合在一塊，就能夠形成跟蹤模塊。第一，要采用流光法來對軌跡進行來往跟蹤，從而形成后向軌跡，然后對前后軌跡的誤差進行精準的運算，要是誤差不大于閾值的話，那么就證明跟蹤有效。

（2）檢測掃描窗口的時候，需要用到方差以及集合這兩種分類器，這樣一來就能夠準確的掌握窗口里有沒有目標。方差分類器要對所有窗口的方差值進行運算，要是此方差值不小于閾值，那么就說明具有前景檢測目標。每10棵樹就能夠組成一個集合分類器，而且所有的樹中都具有13個判斷節點，所有的判斷點在互相對比以后能夠獲得一個0，這就讓所有的樹都能夠含有13位的二進制碼，其能夠代表集合分類器所相匹配后驗蓋率，要是后驗概率的值不小于閾值，那么就能夠證明此項窗口在結合分類器的檢測中得到了認可。

（3）在獲取跟蹤模塊以后，所得到的目標與檢測模塊所獲取的目標采取對比，從中挑選出具有類似特征的目標來當作跟蹤結果；要是跟蹤模塊無法獲取跟蹤目標，那么就要對檢測模塊所獲得的結果進行歸類，然后再對模塊進行跟蹤。

（4）采用樣本對分類器進行訓練，在獲取正樣本的情況下，來對其進行顯示要是跟蹤成功的話，則要把跟蹤結果采用矩形框的形式展現出來，另外還要把跟蹤的經過利用運動軌跡展現出來。

3.4 多目標跟蹤結果

第一，要采用背景差分法獲得所拍攝視頻里的運動目標，之后再把檢測好的運動目標上傳到跟蹤模塊里，這樣一來就能夠完成跟蹤目標。例如要是三個運動目標一同進行跟蹤，此時最好用藍線進行標注，對其運動軌跡進行分析，并能夠得知第一個目標的運動軌跡變化較大，運動期間具有反復運動的情況，同時運動方向變化很大，另外兩個具有較為單一的運動軌跡，屬于正常運動。

4 結語

目前的視頻監控系統，很多都只是具有視頻圖像截取功能，要是在監控期間出現異常行為，則很難進行檢測，因此想要提高這方面的水平，就一定要對運動目標檢測方法、監控系統中運動目標跟蹤進行有效的研究，并認真的對出軌跡的異常運動事件進行分析。因此在今后的工作中，相關工作者一定要刻苦鉆研，爭取讓視頻監控系統對異常運動事件的檢測能力得到進一步的提高。

參考文獻

[1]黃凱奇，陳曉棠，康運鋒，譚鐵牛.智能視頻監控技術綜述[J].計算機學報，2015，3806：1093-1118.

[2]雷玉堂.淺析幾種視頻異常事件的智能視頻分析技術與方法[J].中國公共安全，2013，12：129-132+134-136+138+140.

[3]吳新宇，郭會文，李楠楠，王歡，陳彥倫.基于視頻的人群異常事件檢測綜述[J].電子測量與儀器學報，2014，2806：575-584.

[4]王建文，陸璐.視頻監控的異常報警機制[J].計算機與數字工程，2007，05：121-123+209.endprint