基于改進光流法的視頻監控中人群異常行為檢測算法

鐵富珍

（1.中國人民公安大學，北京 100038；2.青海警官職業學院，青海西寧 810000）

0 引 言

隨著公共安全和智能化的發展，視頻監控系統在各個領域的應用越來越廣泛[1]，例如智慧城市、機場、銀行等。在這些場景中，人群異常行為檢測成為一個重要的研究課題[2]。因為一旦出現異常行為，如擁擠、跌倒、爭執等，可能會引發嚴重的安全問題[3]。因此，對視頻監控中的異常行為進行自動檢測，對于保障公共安全具有重要意義[4]。例如，文獻[5]通過輕量級網絡取代原始特征提取網絡，在監控視頻內提取人群特征。利用可變形卷積模塊提升特征提取效果，并依據提取的特征輸出人群異常行為檢測結果。該算法具有較好的人群異常行為檢測效果。文獻[6]在雙支路共享網絡內輸入原始幀和背景模型，輸出人群異常行為檢測結果。該算法可有效檢測人群異常行為，且異常行為檢測的適用性較強。但上述方法易受光照與噪聲影響，降低了人群異常行為的檢測效果。而改進光流法[7]通過計算圖像中像素點的運動矢量，實現對人群運動的估計，對光照和噪聲不敏感，具備較高的異常行為檢測準確性和魯棒性。為此，本文研究基于改進光流法的視頻監控中人群異常行為檢測算法，為保障公共安全提供參考。

1 視頻監控中人群異常行為檢測算法

1.1 視頻監控在人群圖像特征點提取

利用改進單高斯模型在視頻監控的人群視頻幀內提取角點，將其作為特征點。

將視頻監控中各幀圖像分割成N×N個大小的塊，并展開背景建模[8]。令t時刻、第i塊圖像的像素集合是，像素數量是|，i的均值是kti，計算公式如下：

式中：Ijt是第j個像素的強度；z′ti-1、k′ti-1是經過映射的生命值、均值；zti是生命值。

i的方差是σti，計算公式如下：

式中σ′ti-1是經過映射后的方差。

針對視頻監控中各幀圖像均通過兩個單高斯模型進行建模[9]，得到當下與備選背景模型C、O，并依據參數更新頻率得到各幀圖像最終的真實背景模型。

t時刻，i在C、O內的參數是；相應的觀測均值是U it，若符合條件，那么更新C的參數，其中θ是常數。若符合條件，那么更新O的參數。 若，那么以O為新的C，同時再次初始化O。參數更新后，便可得到真實背景模型C?，通過求解各像素點屬于?的概率，便可得到前景圖像，以前景圖像為掩模，提取視頻監控中各幀圖像內的角點[10]。令閾值為ε，利用角點響應函數確定某像素點是否為角點，公式如下：

式中：o是候選角點；V(o)、V(j)是o與j的灰度值。如果η＞ε，那么確定該像素點為角點，即特征點。

1.2 基于改進光流法的人群運動目標提取

利用改進光流法[11]，依據1.1 節提取的特征點，在視頻監控的視頻幀內提取人群運動目標。

令j的兩個光流速度矢量是、，光流場的基本方程如下：

式中：Fj,t是第j個特征點的灰度函數；是Fj,t有關x軸、y軸、t軸方向的偏導數。

令h為迭代次數，式（4）的約束方程如下：

式中α是拉格朗日乘子[12]。

對于視頻監控中復雜場景內的人群運動目標來說，因為人群運動目標和背景的灰階差距較小，所以人群運動目標輪廓位置較為模糊，影響人群運動目標輪廓處光流計算精度。為此，在式（5）的基礎上引入權函數wj(x,y)改進光流約束方程，公式如下：

wj(x,y)的計算公式如下：

式中T是閾值。

利用增加慣性項，求解式（6）得到h+1 次迭代時的光流速度矢量、，公式如下：

式中ρ(h)是迭代慣性因子。

依據與可獲取各光流點（特征點）的運動速度ν(x,y)與方向λ(x,y)，公式如下：

令光流點選擇閾值是νε，當ν( )x,y＞νε時，保留該光流點，反之，剔除該光流點，可有效抑制噪聲對光流點的干擾，依據保留的有效光流點完成人群運動目標提取。

1.3 人群異常行為檢測的實現

以光流直方圖的形式代表提取人群運動目標內光流點的運動方向，利用直方圖的熵[13]代表光流點運動方向的混亂程度G，G與視頻監控中當下幀內光流點運行方向混亂程度具有正相關關系。

令j的方向變化次數是dj，j的幅值是rj，人群運動目標圖像內光流點的方向與幅值概率Q(dj)、Q(rj)如下：

式中：ψdj、ψrj是直方圖方向次數、幅值總和。

方向熵與幅值熵為：

式中m是人群運動目標內有效光流點數量。

光流速度均值為：

運動混亂度的計算公式如下：

當某人的連續3 幀圖像的G超過設置閾值時，則判定該人存在異常行為。

2 實驗分析

以某商場視頻監控為實驗對象，該商場的視頻監控設備尺寸是1 2.5 英寸，有效像素在200 萬～400 萬之間，攝像頭的動態范圍在60 dB 左右，具備防抖功能，視頻監控圖像的分辨率是1 920×1 080，幀率是25 f/s。

在該商場視頻監控內，隨機選擇2 幀存在異常行為的圖像，利用所研究算法在這2 幀圖像內提取特征點，特征點提取結果如圖1 所示。

圖1 特征點提取結果

從圖1a）和圖1b）中可以看出，該算法在視頻監控圖像中成功地提取了特征點。雖然原始視頻幀中包含許多噪聲和其他因素，但是該算法仍然能夠準確地識別和提取特征點。這些特征點可以作為人群運動目標提取的可靠輸入，從而證明了其在視頻監控圖像中提取特征點的有效性。

利用本文算法在原始視頻幀內提取人群運動目標，如圖2 所示。

圖2 人群運動目標提取結果

從圖2a）可以看出，本文算法可有效提取人群運動目標，共包含5 個運動目標。從圖2b）可以看出，本文算法也可有效提取人群運動目標，共包含8 個運動目標。綜合圖2a）和圖2b）可以看出，本文算法成功地提取了人群運動目標。在兩個不同的視頻幀中，本文算法準確地提取了運動目標，從而證明了其在人群運動目標提取中的有效性和可靠性。這表明本文算法具有較高的準確性，可以處理實際場景中的視頻監控數據。

利用本文算法計算上述兩幀圖像的運動混亂度，進行人群異常行為檢測，檢測結果如圖3 所示。

圖3 人群異常行為檢測結果

從圖3 中可以看出，本文算法成功地計算了各視頻幀的運動混亂度，并且準確地檢測出了異常行為。在實驗的前13 幀視頻中，運動混亂度均低于閾值，表明人群行為正常，沒有出現異常情況。這13 幀視頻中的人群處于平靜、有序的狀態，沒有出現突然的聚集、爭執等異常行為。然而，在第14 幀視頻中，運動混亂度突然明顯高于閾值，且高于閾值的連續視頻幀數量為7 幀，表明人群中出現了異常行為，在這7 幀視頻中，人群出現了聚集、爭執等異常行為，導致運動混亂度明顯上升。實驗證明：本文算法精準檢測出了異常行為，可用于實時監控視頻，對異常行為進行自動檢測和預警，為公共安全提供了強有力的技術支持。

3 結 論

本文提出了一種新的視頻監控中人群異常行為檢測算法。利用改進單高斯模型提取視頻監控在人群圖像的特征點，基于改進光流法提取人群運動目標，通過對比分析運動混亂度與設置閾值，完成人群異常行為檢測。實驗結果表明，本文算法的準確性較高，該研究成果對于提高視頻監控中異常行為檢測的準確性和魯棒性具有重要意義，為實際應用提供了新的方法和思路。未來的研究方向可增強算法的自適應性，并研究多視角和多模態信息融合方法，提高異常行為檢測的全面性。