基于景區視頻的異常事件檢測系統的設計與實現

林青有

摘要：隨著全球經濟的不斷發展和世界人口的不斷增漲，如在景區等人口密集場合，較容易受到突發事件的影響，產生人群擁擠和踩踏等事件。若景區視頻監控可以進行智能檢測，自動發出警報，通知相關部門采取相應的措施，不僅可以節省較多的人力物力，而且能夠更加準確高效地應對異常事件。因此，基于景區視頻的異常事件檢測系統的研究成為人們關心和探索的問題。本文設計并實現了基于景區視頻的異常事件檢測系統。

Abstract： With the continuous development of the global economy and the continuous increase of the world population， in densely populated areas such as scenic spots， it is more susceptible to sudden events， resulting in crowding and trampling. If the scenic area video surveillance can be intelligently detected， an automatic alarm will be issued to inform the relevant departments to take corresponding measures， which not only saves more manpower and material resources， but also can respond to abnormal events more accurately and efficiently. Therefore， the research of anomalous event detection system based on scenic video has become a concern and exploration. This paper designs and implements an anomaly event detection system based on scenic video.

關鍵詞：旅游；異常事件；光流法；社會力模型；灰度共生矩陣

Key words： tourism；anomalous events；optical flow method；social force model；gray level co-occurrence matrix

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1006-4311（2018）28-0228-03

0 引言

隨著現今社會的高速發展，世界人口增長速度越來越快，人群踩踏致多人受傷死亡的事故就頻有發生。智能視頻監控在功能和檢測作用上體現了其潛在的巨大經濟價值，并且在公共安全方面體現了重要作用。為此，世界各國都進行了相關的探索和研究，并開發出了各種不同的視頻監控系統。

肖兒良[1]開發的基于MJPG_Streamer的智能視頻監控系統能進行實時的、遠程的監控，同時能夠快速對入侵目標進行語音報警。

基于視頻的人群行為綜合分析與高密度人群的多類特征提取分析[2，3，4]，成為智能視頻監控系統的一個重要方法，并且在各個領域中有著較大需求。視頻監控中行人的行為分為三類：個人行為、小群體行為和高密度群體行為[5]。在設計基于視頻的人群行為分析系統時，如果上述行為在現實場景中被正確的分析和預測，則較多重要的社會生活應用即可被實現。例如本文所設計的基于景區視頻的異常事件檢測系統，當在場景中人流量較大時，則發現異常事件的概率會上升。若人群出現四散，移動速度加快，則有可能是異常事件導致。通過景區視頻異常檢測系統[6，7，8]，可以減少發生人群踩踏等異常事件時的疏散時間，及時管理和疏導人群，減少經濟損失。

1 系統總體架構分析設計

本系統為管理者提供了基于景區視頻的前景檢測、灰度共生矩陣特征提取、人群密度估計、SVM訓練和異常事件檢測功能，協助管理者監測景區狀況，在一定程度上滿足了管理者的需求。

基于景區視頻的異常事件檢測系統能有效地為使用者提供基于景區視頻的人群密度估計和異常事件檢測的基本功能。因此，本系統設計了以下幾個模塊：前景檢測模塊、人群密度估計模塊、異常檢測訓練SVM模塊和異常檢測模塊，以實現基于景區視頻的人群密度估計和基于景區視頻的異常事件檢測功能。系統的功能結構圖如圖1所示。

系統的主要功能介紹如下：

①前景檢測模塊：前景檢測模塊中共有4個按鈕：視頻讀入、單幀檢測、保存檢測結果和連續多幀檢測，當單擊視頻讀入窗口時可彈出對話框，選取用于前景檢測的視頻文件。單幀檢測則使用高斯混合模型，對圖像進行前景提取，每單擊一次，則進行一幀圖像的檢測。

②人群密度估計模塊：人群密度估計模塊中主要進行訓練SVM1和對數據進行測試，灰度共生矩陣特征提取按鈕用于提取前景檢測后的灰度共生矩陣特征，并將結果在共生矩陣信息中顯示。在提取特征后，開始訓練SVM1之前，需要選擇其核函數，可通過下拉菜單實現。在選擇好核函數后，則可以開始訓練SVM1，并可通過單擊保存SVM按鈕將訓練得到的SVM網絡進行保存，點擊保存SVM按鈕時，彈出與保存檢測結果類似的對話框，用于輸入保存SVM1的文件名稱。

③異常檢測訓練SVM模塊：該模塊主要用于視頻的異常檢測SVM訓練，分別有低密度和高密度人群下的異常檢測SVM模塊訓練和保存功能。該模塊主要有：訓練數據選擇按鈕（低密度和高密度），選擇核函數按鈕，保存SVM（低密度和高密度）按鈕，開始識別按鈕和保存SVM按鈕。低密度和高密度異常檢測SVM訓練需要分別進行，但是操作過程類似。都是在選擇訓練數據后，再手工選擇訓練所用的核函數，并通過下拉菜單實現。在選擇好核函數后，便可以開始訓練SVM，并通過單擊保存SVM按鈕將訓練得到的SVM網絡進行保存，點擊保存SVM按鈕時，彈出與保存檢測結果類似的對話框，用于輸入保存SVM的文件名稱，不同密度人群的SVM需要分別命名。

④異常檢測模塊：該模塊主要用于視頻的異常檢測，其可以手工輸入用于判斷異常事件的閾值。該模塊主要有：測試數據選擇按鈕，選擇SVM（密度估計）按鈕，選擇SVM（低密度）按鈕，選擇SVM（高密度）按鈕，開始識別按鈕和保存數據按鈕。在選擇測試數據后，需要手工選擇訓練好的SVM，分別為SVM1，SVM2（兩個，一個是低密度異常檢測時使用，另一個為高密度異常檢測時使用）。在選擇好SVM后，需要設置閾值，本系統默認值為0.4，隨后進行異常事件檢測，最終將所以圖像提取的特征，實驗結果等保存為mat文件。

2 系統實現

本文所設計的基于景區視頻的異常事件檢測系統在Matlab GUI中實現，系統界面如圖2所示。系統界面中主要分為顯示界面和按鈕控制模塊，在顯示界面中，共有視頻窗口（含社會交互作用力顯示）、前景目標檢測窗口、共生矩陣信息窗口和系統信息顯示窗口。按鈕控制模塊主要分為前景檢測模塊、人群密度估計模塊、異常檢測SVM訓練（低密度）模塊、異常檢測SVM訓練（高密度）模塊和異常檢測模塊。

在視頻窗口中，主要用于顯示讀取的原始視頻，在人群異常檢測時，顯示社會交互作用力。前景目標檢測窗口其用于顯示視頻中前景檢測結果；共生矩陣信息窗口則顯示0度，45度，90度和135度方向的共生矩陣能量值，熵，慣性矩和相關性。系統信息顯示窗口主要用于顯示不同的系統信息，如視頻讀取位置、保存信息、系統運行狀態等，其為系統狀態的實時顯示。下面對各個模塊進行介紹。

2.1 前景檢測模塊

本文采用基于高斯混合模型的運動前景檢測方法。在理想條件下，所設閾值應該隨著像素點坐標位置的不同而不同，在對比度（Contrast）比較低的區域，閾值應小一些，而在對比度比較高的區域，閾值應設大些。在具體實現時，可根據式（1）進行判斷，其是否為運動前景。

式（1）中ui，t-1為第i個高斯函數的均值，其中D1為縮放因子，為一人工設置的常數。σi，t-1為第i個高斯函數在t-1時刻的標準差，α1，β1為閾值，具體在處理時，本文在RGB彩色圖像上進行背景提取，當RGB三通道同時滿足式（1）時，才將其作為前景點。

2.2 人群密度估計模塊

密度估計模塊的操作流程如圖3所示，首先讀入景區視頻，然后對景區視頻進行前景檢測，再進行灰度共生矩陣特征提取，然后訓練SVM模型，之后便可以對景區視頻進行密度估計。

2.3 異常檢測SVM訓練模塊

在分別選擇好低密度與高密度SVM訓練的核函數后，則可以分別單擊低、高密度異常檢測SVM模型的開始訓練按鈕開始訓練SVM2的低、高密度異常檢測SVM模型。

2.4 異常檢測模塊

在得到人群密度后，計算待檢測視頻的光流向量，然后計算其社會交互作用力；最后通過人群密度選擇不同的分類器，人群密集或者人群稀疏，并通過人群異常事件分類器SVM2進行判斷，在得到最終判斷結果前，為了保證穩定判斷結果穩定性，提高識別率，本文使用均值濾波和閾值法的方法，得到最終的判斷結果。

3 總結

本系統為管理者提供了基于景區視頻的前景檢測、灰度共生矩陣特征提取、人群密度估計、SVM訓練和異常事件檢測功能，協助管理者監測景區狀況，在一定程度上滿足了管理者的需求。

參考文獻：

[1]肖兒良，毛海軍，鞠軍平，等.基于開源軟件MJPG_Streamer 的智能視頻監控系統設計[J].微電子學與計算機，2013，30（6）：84-87.

[2]林沁.視頻中的大規模人群密度與異常行為分析[D].廈門：廈門大學，2014.

[3]朱海龍，劉鵬，劉家鋒，等.人群異常狀態檢測的圖分析方法[J].自動化學報，2014，38（5）：742-750.

[4]李健，劉治紅，蔣飛.一種基于智能視覺的群體性事件現場態勢感知技術[J].兵工自動化，2015，34（6）：61-65.

[5]閆志揚.視頻監控中人群狀態分析及異常事件檢測方法研究[D].天津：天津大學，2013.

[6]董力耘，陳立，段曉茵.基于教室人群疏散實驗的行人流建模和模擬[J].物理學報，2015，64（22）：220505.

[7]屈云超.密集人群疏散行為建模與動態特性研究[D].北京交通大學，2015.

[8]陳鵬，陳建國，袁宏永.群體性暴力行為的多主體建模研究綜述與思考[J].系統仿真學報，2015（3）：439-447.