基于異常排斥點(diǎn)和互信息的人群異常檢測(cè)方法.doc

基于排斥點(diǎn)和互信息的人群異常行為探測(cè)方法 111Mutual Information for the Detection of Abnormal Crowd Behavior 摘要摘要 快速探測(cè)人群場(chǎng)景中的異常行為 能夠及時(shí)預(yù)警 減少其危險(xiǎn)性并降低由此帶來的損害 在大規(guī)模偵測(cè) 預(yù)防踩踏等群體 事件中具有很高的實(shí)用性 本文提出一種基于異常排斥點(diǎn)的人群異常行為檢測(cè)方法 定義了人群異常場(chǎng)景中異常排斥點(diǎn)的概念 揭示了異常排斥點(diǎn)在人群異常探測(cè)中的重要作用 并通過融合異常排斥點(diǎn)信息與場(chǎng)景互信息擴(kuò)展了人群異常檢測(cè)在不同場(chǎng)景中的 適用性 大幅度提高了異常檢測(cè)的準(zhǔn)確性和靈敏度 關(guān)鍵詞關(guān)鍵詞 互信息 排斥點(diǎn) 人群異常探測(cè) 光學(xué)流 0 引言引言 人群狀態(tài)檢測(cè)是智能視頻監(jiān)控和智能環(huán)境的主要內(nèi)容 也是實(shí)現(xiàn)自動(dòng)人群管理的基本要求 利用計(jì)算機(jī)視覺技術(shù) 對(duì)監(jiān)控視頻的內(nèi)容進(jìn)行分析并理解在公共管理 國防 反 恐 銀行 公共安全等方面具有不可替代的作用 近年來 頻繁的群體性事件造成了大量的人員傷亡和財(cái)產(chǎn)損失 如 果在異常行為開始時(shí) 系統(tǒng)能夠及時(shí)警報(bào)并進(jìn)一步采取應(yīng) 對(duì)措施 就可以有效降低相應(yīng)事件所帶來的危害 所以 異常行為探測(cè)在我國的當(dāng)前社會(huì) 經(jīng)濟(jì)環(huán)境下具有廣泛的 實(shí)用價(jià)值 然而 在實(shí)際應(yīng)用過程中 由于監(jiān)控使用場(chǎng)景 廣泛 視頻量龐大以及人群行為復(fù)雜等 人工視頻監(jiān)控和 傳統(tǒng)視頻監(jiān)控往往需要耗費(fèi)大量的人力 物力 且效率低 下 通用性差 人群異常行為識(shí)別嚴(yán)重滯后 為此 智能 視頻監(jiān)控技術(shù)得以迅速發(fā)展 從而將人們從大量的低效率 的工作中解脫出來 目前 智能視頻監(jiān)控主要面臨兩大挑戰(zhàn) 一方面是監(jiān) 控場(chǎng)景范圍廣 人群異常行為模式復(fù)雜 隨著監(jiān)控設(shè)備的 普及和技術(shù)的成熟 監(jiān)控場(chǎng)景的范圍原來越廣泛 從公共 廣場(chǎng)到建筑內(nèi)部 不同場(chǎng)景的人群活動(dòng)具有不同的異常行 為模式 其中人群的疏散和聚集是其中最具代表性的兩類 如廣場(chǎng)中某處發(fā)生騷亂 人群四處逃散 或向一側(cè)出口逃 散 或者廣場(chǎng)上某一區(qū)域發(fā)生聚集 面對(duì)如此復(fù)雜的異常 行為模式 研究其共有的特性以提高監(jiān)控的普適性就變得 尤為重要 另一方面 異常模式探測(cè)困難 計(jì)算量大 對(duì) 于智能視頻監(jiān)控來說 及時(shí)地探測(cè)出人群的異常行為是衡 量方法有效性的重要標(biāo)準(zhǔn)之一 及時(shí)的探測(cè)有助于警報(bào)的 發(fā)出和人群的疏散和逃生 從而能夠?qū)⑽ｋU(xiǎn)造成的損失降 到最低 為此 有效簡(jiǎn)化異常探測(cè)模型 降低數(shù)據(jù)預(yù)處理 的計(jì)算量和計(jì)算復(fù)雜度 滿足異常行為檢測(cè)的高速乃至實(shí) 時(shí)要求是當(dāng)前人群異常檢測(cè)的核心內(nèi)容 傳統(tǒng)人群異常探測(cè)技術(shù)在計(jì)算量以及適用范圍上難于 滿足需求 為此 提出了一種基于排斥點(diǎn)和互信息的人群 異常行為探測(cè)方法 方法揭示了不同場(chǎng)景下人群異常行為 模式的公共特點(diǎn) 并進(jìn)一步提出了 排斥點(diǎn) 的概念 結(jié) 合互信息理論 方法對(duì)不同的監(jiān)控場(chǎng)景具有良好的適應(yīng)性 提高了人群異常行為探測(cè)的及時(shí)性和準(zhǔn)確性 1 相關(guān)工作相關(guān)工作 當(dāng)前流行的人群異常探測(cè)方法主要包含兩種 一種是基 于整體的方法 一種則面向個(gè)體追蹤 前者往往通過構(gòu)建 場(chǎng)景模型 5 6 用學(xué)習(xí)算法估計(jì)模型參數(shù)后用該模型進(jìn)行異 常檢測(cè) Helbing 等 3 將牛頓力學(xué)定律引入人群動(dòng)力學(xué)分析 中 稱之為 社會(huì)力 Social force Mahadevan 等在文 獻(xiàn) 4 中先通過使用動(dòng)態(tài)紋理的混合物建立了正常的人群行 為模型 然后使用這個(gè)模型來判斷異常點(diǎn) Mehran 等 2 對(duì) 社會(huì)力模型進(jìn)行了拓展 將其應(yīng)用到相對(duì)稀疏的人群行為建 模上 為避免對(duì)每個(gè)局部目標(biāo)跟蹤而產(chǎn)生大量計(jì)算 使用 了質(zhì)點(diǎn)平流傳送的整體分析方法 在平流傳送的基礎(chǔ)上建 立力學(xué)模型 對(duì)社會(huì)力流構(gòu)建語料庫后用隱含狄利克雷分配 La tent Dirichlet allocation LDA 訓(xùn)練并發(fā)現(xiàn)人群行為標(biāo) 題 再利用詞袋法 Word bag WB 進(jìn)行模式分析以檢測(cè)人 群事件 LDA 訓(xùn)練和詞袋模型的 EM 近似算法導(dǎo)致該方法 的計(jì)算量偏大 對(duì)于實(shí)時(shí)監(jiān)控系統(tǒng)來說 這樣的計(jì)算量對(duì) 系統(tǒng)來說無疑是個(gè)沉重的負(fù)擔(dān) 更無法應(yīng)用于大量的攝像 頭監(jiān)控系統(tǒng) 并且此方法適用于密度較高的人群場(chǎng)景 當(dāng) 人群密度較小 人群中個(gè)體之間的相互作用力較小 這樣 對(duì)人群的異常行為的探測(cè)影響非常大 并且 該文章沒有 考慮到在室內(nèi)場(chǎng)景中 個(gè)體與建筑物的相互作用力 如人 與墻的排斥力沒有考慮到 其適用范圍收到一定的限制 第二種方法更傾向于對(duì)場(chǎng)景中個(gè)體的追蹤 7 8 Harding 1 提出了一種基于互信息的探測(cè)人群異常行為的方 法 該方法指出 人群在正常情況下的運(yùn)動(dòng)是有序的 場(chǎng) 景中人群的位置和方向有關(guān) 都是均勻分布的 這樣 人 群中個(gè)體的位置和方向的相關(guān)度較高 所以計(jì)算得到的互 信息值較高 在異常行為下的人群會(huì)向安全的地方運(yùn)動(dòng) 這樣在人群異常行為開始時(shí)刻 人群位置分布仍會(huì)很平均 但人群中個(gè)體會(huì)向著安全方向運(yùn)動(dòng) 如此一來 人群中個(gè) 體的位置和方向的相關(guān)度較低 所以計(jì)算得到的互信息值 較低 例如 在室內(nèi)的酒店中 正常情況下 人群分布均 勻 個(gè)體的方向分布也均勻 所得的互信息值就相對(duì)較高 但假設(shè)酒店中失火 此時(shí)人群分布仍舊比較均勻 但人群 一般都是朝向出口的方向運(yùn)動(dòng) 這樣計(jì)算得到的互信息值 NoTR 2012 06 007 2012 ZZU 2ZZU CS ITSG RESEARCH GROUP TECHNICAL REPORT NO TR 2012 06 007 就很低 此方法與上述社會(huì)力探測(cè)方法 3 相比 其計(jì)算量 顯著降低 但是其適用范圍更加狹窄 一般使用于具有單 一出口的封閉空間場(chǎng)景 如單一逃生出口的室內(nèi) 對(duì)于 那些出口較多或開放式場(chǎng)景中 由于人群逃生運(yùn)動(dòng)方向較 為發(fā)散 此方法的適用性將大受限制 隨著各種商業(yè) 文化 體育 娛樂 宗教以及交通運(yùn)輸 等方面的迅速發(fā)展 越來越多的人群聚集現(xiàn)象出現(xiàn)在大量 復(fù)雜場(chǎng)景中 傳統(tǒng)人群異常檢測(cè)方法在當(dāng)前監(jiān)控?cái)?shù)據(jù)量規(guī) 模龐大 場(chǎng)景復(fù)雜且預(yù)警時(shí)限要求高的現(xiàn)狀下進(jìn)行高效地 智能化地監(jiān)控已經(jīng)難于實(shí)現(xiàn) 然而 在大多數(shù)群體事件中 一般都具備引起人群異常的具體誘因和發(fā)源地點(diǎn) 這成為 很多人群異常場(chǎng)景的共性所在 為此 揭示異常排斥點(diǎn)在 群體事件中的作用和特征 結(jié)合異常排斥點(diǎn)與互信息偵測(cè) 人群異常 將大幅度提高智能監(jiān)控適用范圍 降低相關(guān)技 術(shù)的計(jì)算量 本文揭示了異常排斥點(diǎn)的原理和在人群異常檢測(cè)中的重 要作用 定義了異常排斥點(diǎn)的概念 并結(jié)合互信息的理論 基礎(chǔ)提出了一種新的人群異常檢測(cè)方法 基于異常排斥點(diǎn)的 人群異常檢測(cè)方法 方法將異常排斥點(diǎn)概念引入人群監(jiān)控 中 從而擴(kuò)展了相應(yīng)技術(shù)的應(yīng)用范圍 提高了監(jiān)控有效性 和及時(shí)性 本文第三節(jié)描述了本文的具體方法 第四節(jié)進(jìn) 行算法的實(shí)驗(yàn)分析 最后給出結(jié)論和下一步工作 2 方法方法 基于異常排斥點(diǎn)的人群異常檢測(cè)方法其核心在于異常 排斥點(diǎn)的確定以及與互信息的融合 在大部分人群場(chǎng)景中 無論是在室內(nèi)還是在室外 當(dāng) 出現(xiàn)異常事件如火災(zāi) 騷亂等時(shí) 每個(gè)個(gè)體 人 為了躲 避這些危險(xiǎn) 一定會(huì)盡量向遠(yuǎn)離這些危險(xiǎn)的方向運(yùn)動(dòng) 這 樣每個(gè)人才能盡量短時(shí)間內(nèi)逃向安全的地方 而這些危險(xiǎn) 發(fā)生的地方定為排斥點(diǎn) 因此 異常排斥點(diǎn)定義如下 定義定義 1 異常排斥點(diǎn)是指在人群異常場(chǎng)景下 所有個(gè) 體微粒運(yùn)動(dòng)反方向區(qū)域所覆蓋最為集中的位置點(diǎn) L L p p max I1 I2 In 1 In 其中 p 表示場(chǎng)景中的位置 Ii則表示第 i 個(gè)個(gè)體微粒 的運(yùn)動(dòng)反方向區(qū)域 而信息論的核心則在于通過場(chǎng)景中個(gè)體運(yùn)動(dòng)的有序程 度來探測(cè)人群的異常行為 互信息是信息論里一種有用的 信息度量 它是指兩個(gè)事件集合之間的相關(guān)性 在人群場(chǎng) 景中 正常的人群中個(gè)體的運(yùn)動(dòng)方向是隨機(jī)的 異常的人 群中個(gè)體的運(yùn)動(dòng)方向是受異常情況的影響 總體的運(yùn)動(dòng)趨 勢(shì)是背離危險(xiǎn)源運(yùn)動(dòng) 是無序的 所以 正常的人群中個(gè) 體的坐標(biāo)和運(yùn)動(dòng)的方向是無相關(guān)性的 反之 異常情況下 則有相關(guān)性 結(jié)合異常排斥點(diǎn)與互信息理論 基于異常排斥點(diǎn)的人 群異常檢測(cè)方法的基本步驟如圖 1 所示 首先將輸入視頻 分為幀 第一步計(jì)算每幀中的速度場(chǎng) 在計(jì)算速度場(chǎng)中 我們將微粒網(wǎng)格布滿每一幀的圖像 使用微粒代替場(chǎng)景中 的個(gè)體 計(jì)算每個(gè)微粒運(yùn)動(dòng) 這樣避免了追蹤個(gè)體的典型 問題 第二步 通過統(tǒng)計(jì)每個(gè)微粒速度的反方向 我們知 道人群總體背離危險(xiǎn)源運(yùn)動(dòng) 從而可以找出可能存在的危 險(xiǎn)源的位置 本文將危險(xiǎn)源稱為排斥點(diǎn) 第三步 我們引 入信息論 通過計(jì)算互信息 得到微粒坐標(biāo)與微粒背離排 斥點(diǎn)運(yùn)動(dòng)的無序程度 無序程度高 說明此場(chǎng)景屬于異常 人群行為 通過以上步驟 可以高效的探測(cè)出視頻中人群 的異常行為 3 1 計(jì)算速度場(chǎng)計(jì)算速度場(chǎng) 將輸入視頻分為幀 將微粒網(wǎng)格布滿每一幀的畫面 以微粒的運(yùn)動(dòng)代替場(chǎng)景中每一個(gè)個(gè)體的運(yùn)動(dòng) 這樣可以避 免因人群密度大等復(fù)雜場(chǎng)景對(duì)于個(gè)體跟蹤產(chǎn)生的問題 并 且可以節(jié)省個(gè)體跟蹤的計(jì)算量 計(jì)算視頻中連續(xù)兩幀的光 流 得到每個(gè)微粒的水平和垂直的速度分量 通過兩個(gè)方 向的分量得到每個(gè)微粒的速度方向 ij x y 算法算法 1 計(jì)算速度場(chǎng) 輸入 連續(xù)兩幀的圖像 輸出 網(wǎng)格中每個(gè)微粒的速度方向 ij x y 算法步驟 1 使用 Lucas k rp 計(jì)算反方向覆蓋的網(wǎng)格 k rp end for return argmax k rp 3 將 k 網(wǎng)格的中心點(diǎn)坐標(biāo)定為排斥點(diǎn)坐標(biāo) r x y 為進(jìn)一步降低排斥點(diǎn)計(jì)算量 算法采用基于運(yùn)動(dòng)方向 的方法計(jì)算并獲取排斥點(diǎn) 算法以微粒運(yùn)動(dòng)方向作為輸入 參數(shù) 而無需其它諸如速度 加速度等參數(shù) 因?yàn)樵谌巳?密集的情況下 個(gè)體速度不能反映真實(shí)危急的情況 而個(gè) 體的運(yùn)動(dòng)方向其適用范圍則更廣 實(shí)驗(yàn)證明上述算法可以 有效反映出場(chǎng)景中人群運(yùn)動(dòng)的無序性 擁有足夠的精確度 偵測(cè)出異常點(diǎn) 在正常的人群行為的場(chǎng)景中 排斥點(diǎn)的選 取本身尚不能反映人群運(yùn)動(dòng)的無序 為此需要進(jìn)一步計(jì)算 基于異常排斥點(diǎn)的互信息來確定人群的有序性 3 3 計(jì)算互信息計(jì)算互信息 大量研究文獻(xiàn)指出 在正常的情況下 人群的運(yùn)動(dòng)是 高度有序的 方向和速度的一個(gè)特定的個(gè)體與他們當(dāng)前的 位置相關(guān) 人群的運(yùn)動(dòng)受到很小的外界干擾 總體運(yùn)動(dòng)方 向是跟隨自己的意愿運(yùn)動(dòng) 在異常情況下 人群的慌亂會(huì) 打破這種有序性 人群會(huì)因?yàn)槲ｋU(xiǎn)改變自己的運(yùn)動(dòng)方向 為了盡快的躲避危險(xiǎn)源 背離危險(xiǎn)源方向運(yùn)動(dòng) 這樣會(huì)呈 現(xiàn)出人群運(yùn)動(dòng)的無序性 基于異常排斥點(diǎn)可以更加準(zhǔn)確和 高效地計(jì)算這種無序性 融合異常排斥點(diǎn)信息和互信息的 方法 可以巧妙地計(jì)算出運(yùn)動(dòng)個(gè)體的位置和運(yùn)動(dòng)方向的相 關(guān)度 從而得到人群總體的有序性 互信息公式有兩個(gè)變量A和B 互信息定義為 2 log ij ij i j ij p a b I A Bp a b p a p b MERGEFORMAT 2 2 其中 和分別是的邊緣概率分布 i p a j p b A B 是的聯(lián)合概率分布 互信息實(shí)際上測(cè)量的是 ij p a b A B 兩個(gè)變量的獨(dú)立性 算法中互信息用于測(cè)量人群中個(gè)體的 位置和個(gè)體背離排斥點(diǎn)的運(yùn)動(dòng)角度 一個(gè)有序的人群有較 高的互信息值 當(dāng)人群發(fā)生異常行為時(shí) 會(huì)進(jìn)入無序狀態(tài) 計(jì)算得到的互信息值會(huì)較低 所以 我們可以通過互信息 值的變化 探測(cè)異常行為的開始時(shí)刻 及時(shí)探測(cè)到人群的 異常行為 結(jié)合互信息理論與異常排斥點(diǎn)概念 算法定義個(gè)體運(yùn) 動(dòng)背離排斥點(diǎn)運(yùn)動(dòng)的角度 MERGEFORMAT 3 3 其中是微粒運(yùn)動(dòng)的速度方向 圖3中紅色箭頭 ij x y 是微粒坐標(biāo)到排斥點(diǎn)坐標(biāo)的方向 圖3中黃色箭頭 ij x y 定義如下 tan j ij i yy x ya xx MERGEFORMAT 4 4 是微粒的坐標(biāo) 是排斥點(diǎn)的坐標(biāo) 算法使用 ij x y r x y 三個(gè)變量來計(jì)算互信息 其中一個(gè)變量是基于排斥點(diǎn)的 i 另兩個(gè)是微粒的笛卡爾坐標(biāo) 為了討論人群的有序 ij x y 程度 我們使用公式 4 計(jì)算互信息 2 2 log log 2 ij ij i j ij ij ij i j ij p x I Xp x p x p p y I Yp y p y p I XI Y I MERGEFORMAT 5 5 圖 3 圖中是兩幅異常人群行為的場(chǎng)景圖 圖中紅色箭頭表示個(gè) 體速度矢量 藍(lán)色圓點(diǎn)代表排斥點(diǎn) 黃色箭頭代表個(gè)體到排斥 點(diǎn)的方向 左圖是人群水平背離排斥點(diǎn)運(yùn)動(dòng) 右圖是人群背離 排斥點(diǎn)四散運(yùn)動(dòng) 圖2 圖像被白線分割成網(wǎng)格 右圖中紅色箭頭代表微粒的運(yùn)動(dòng) 方向 左圖綠色區(qū)域是微粒運(yùn)動(dòng)方向覆蓋的區(qū)域 左圖紅色區(qū) 域是運(yùn)動(dòng)反方向覆蓋的區(qū)域 右圖中藍(lán)色點(diǎn)是計(jì)算得到的排斥 點(diǎn) 4ZZU CS ITSG RESEARCH GROUP TECHNICAL REPORT NO TR 2012 06 007 通過計(jì)算笛卡爾坐標(biāo)x y方向與的平均互信息值 我們可以獲取人群的有序程度 從而判定該場(chǎng)景是否是異 常人群行為場(chǎng)景 算法算法 3 計(jì)算互信息 輸入 每個(gè)微粒速度方向 排斥點(diǎn)的坐標(biāo) ij x y r x y 輸出 每個(gè)互信息值 算法步驟 1 構(gòu)造空數(shù)組存放每個(gè)微粒坐標(biāo)到排斥點(diǎn)坐標(biāo)的方向 ij x y 2 構(gòu)造空數(shù)組存放微粒背離排斥點(diǎn)運(yùn)動(dòng)的角度 ij x y 3 for all tan j ij i yy x ya xx ijijij x yx yx y end for 4 通過公式 4 互信息公式計(jì)算互信息的值 3 4 人群異常行為的檢測(cè)人群異常行為的檢測(cè) 我添加的 內(nèi)容較少 我添加的 內(nèi)容較少 是否有必要加強(qiáng) 是否有必要加強(qiáng) 在獲取場(chǎng)景相應(yīng)互信息之后 接下來就是建立互信息 模型 檢測(cè)人群的異常行為 具體來說 構(gòu)建并分析正常 場(chǎng)景下的互信息分布 從互信息值的分布圖可清晰的看到 人群正常行為時(shí) 場(chǎng)景中人群分布比較平均 速度方向分 布同樣表現(xiàn)的比較平均 此時(shí)互信息值比較高 當(dāng)人群剛 開始出現(xiàn)異常行為時(shí) 場(chǎng)景中人群分布仍會(huì)比較均勻 此 時(shí)傳統(tǒng)檢測(cè)方法往往難于及時(shí)發(fā)現(xiàn)異常情況 但因?yàn)閳?chǎng)景 中人群速度方向都是背離排斥點(diǎn)運(yùn)動(dòng)的 所以排斥點(diǎn)方法 計(jì)算的互信息值會(huì)快速降低 持續(xù)走低一段時(shí)間后 隨著 場(chǎng)景中行人的數(shù)量減少 場(chǎng)景中人群位置將分布在場(chǎng)景中 的某些特定位置 同樣速度方向也變得單一 所以互信息 會(huì)再次升高 通過分析上述人群異常行為場(chǎng)景的互信息變 化規(guī)律 算法可以及時(shí)發(fā)現(xiàn)異常行為的發(fā)生時(shí)刻 具體方法包括 計(jì)算正常人群行為的互信息的平均值 設(shè)定異常行為的互信息警戒值小于正常時(shí)的平均值 當(dāng)連 續(xù)多幀的值低于警戒值時(shí) 我們就判定該時(shí)刻人群已經(jīng)進(jìn) 入了異常行為狀態(tài) 基于這個(gè)簡(jiǎn)單的原理算法能快速 有 效的探測(cè)多場(chǎng)景下的人群異常行為 算法的偽碼和形式 化描述 3 實(shí)驗(yàn)和討論實(shí)驗(yàn)和討論 監(jiān)控視頻處理以及人群異常檢測(cè)實(shí)驗(yàn)基于實(shí)驗(yàn)室服務(wù) 器進(jìn)行 服務(wù)器主要配置包括 Intel Core TM i5 2 50GHZ 處理器 4GB 內(nèi)存和 NVIDIA GeForce GT 540M 獨(dú)立顯卡 實(shí)驗(yàn)數(shù)據(jù)集來自明尼蘇達(dá)大學(xué)的正常和異常人 群行為的視頻 數(shù)據(jù)集包含三個(gè)不同的室內(nèi)和室外場(chǎng)景 在微粒運(yùn)動(dòng)及劃分方面 實(shí)驗(yàn)每隔 10 個(gè)像素確定為一 個(gè)微粒點(diǎn) 微粒網(wǎng)格的密度為源圖像的 1 為了計(jì)算異常 排斥點(diǎn) 算法將視頻圖像進(jìn)行劃分 其中網(wǎng)格大小的寬度 定為 20 像素 為了更加高效地計(jì)算互信息 算法將坐標(biāo)劃 分的大小設(shè)置為 30 像素 的劃分大小為 20 度 在后續(xù) 實(shí)驗(yàn)中發(fā)現(xiàn) 上述參數(shù)設(shè)置是合理且高效的 4 1 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果 圖 4 展示了使用基于異常排斥點(diǎn)的人群異常檢測(cè)方法 對(duì)三個(gè)真實(shí)場(chǎng)景進(jìn)行異常檢測(cè)的結(jié)果 其中前兩個(gè)是室外 場(chǎng)景 最后一個(gè)是室內(nèi)場(chǎng)景 當(dāng)出現(xiàn)異常時(shí) 第一個(gè)場(chǎng)景 人群呈四散逃離狀 第二個(gè)場(chǎng)景則表現(xiàn)為人群向廣場(chǎng)一側(cè) 逃離 第三個(gè)場(chǎng)景呈現(xiàn)人群向上下兩個(gè)方向 針對(duì)畫面 逃離 這些場(chǎng)景基本包含人群異常行為時(shí)的大部分場(chǎng)景 說明場(chǎng) 景具有廣泛的代表性 而本文提出的方法在上述場(chǎng)景能夠 高效 準(zhǔn)確的檢測(cè)出人群異常 也正因此證明了方法的廣 泛適應(yīng)性 下面是對(duì)每個(gè)場(chǎng)景的具體分析 第一個(gè)是室外的場(chǎng)景 正常時(shí)人群位置在場(chǎng)景的偏上方 人群逃離時(shí)呈現(xiàn)四散逃 離狀 人群在正常行為時(shí)互信息比較穩(wěn)定 波動(dòng)不大 所 以異常行為前 互信息值保持在 0 53 左右 當(dāng)人群處于異 常行為時(shí) 互信息會(huì)立即降低 圖 4 場(chǎng)景一中右圖 人群 剛呈現(xiàn)異常行為時(shí) 得到的互信息值已經(jīng)降低到平均值以 下 并且持續(xù)走低一段時(shí)間 此時(shí)互信息值在 0 36 左右 當(dāng)場(chǎng)景中人數(shù)減少 互信息值會(huì)重新升高到平均值 0 43 左 右 我們把警戒值定為 0 40 遠(yuǎn)低于正常時(shí)刻的值 當(dāng)人 群異常行為發(fā)生后 0 51 秒后 系統(tǒng)探測(cè)到視頻中發(fā)生異常 行為 第二個(gè)場(chǎng)景同樣是室外場(chǎng)景 但人群平均分布整個(gè)場(chǎng) 景中 人群逃離時(shí)是向場(chǎng)景中一側(cè)逃離 實(shí)驗(yàn)結(jié)果與場(chǎng)景 一情況相似 正常時(shí)刻互信息值是 0 43 左右 人群剛呈現(xiàn) 異常行為時(shí) 得到的互信息值已經(jīng)降低到平均值以下 并 且持續(xù)較低 平均互信息值在 0 26 左右 遠(yuǎn)低于正常時(shí)刻 隨后互信息值回升到 0 46 附近 當(dāng)人群異常行為發(fā)生后 0 09 秒后 系統(tǒng)探測(cè)到視頻中發(fā)生異常行為 第三個(gè)場(chǎng)景是室內(nèi)場(chǎng)景 相對(duì)于室外場(chǎng)景 室內(nèi)場(chǎng)景 有多處不同 例如 個(gè)體的運(yùn)動(dòng)速度相對(duì)較慢 人群中個(gè) 體數(shù)量相對(duì)較少 并且在本實(shí)驗(yàn)的場(chǎng)景三中 監(jiān)控拍到的 視頻中 被吊頂遮擋住一部分 三分之一的畫面都是墻壁 沒有運(yùn)動(dòng)的個(gè)體 人群只分布在畫面中間的長(zhǎng)廊里 所以 對(duì)于排斥點(diǎn)的選取和互信息的計(jì)算 這些都是干擾 所以 在正常人群行為時(shí) 得到的互信息值會(huì)有比較大的波動(dòng) 但是這些波動(dòng)都不會(huì)影響對(duì)人群異常行為的探測(cè) 在正常 情況時(shí)得到的互信息值會(huì)比上面兩種場(chǎng)景中得到的值高 約在 0 92 左右 當(dāng)出現(xiàn)異常行為時(shí) 互信息值仍會(huì)迅速降 低 降至 0 35 左右 隨后互信息值重新升至 0 67 附近 當(dāng) 人群異常行為發(fā)生后 0 54 秒后 系統(tǒng)探測(cè)到視頻中發(fā)生異 常行為 那么不采用異常排斥點(diǎn)的互信息檢測(cè)表現(xiàn)如何 對(duì)比一下才有意義吧 應(yīng)該體現(xiàn)出本算法的廣泛適應(yīng)性和 及時(shí)高效性 設(shè)計(jì)實(shí)驗(yàn) 驗(yàn)證本方法比傳統(tǒng)方法可以用更 少時(shí)間偵測(cè)到 在某些場(chǎng)景下本方法也使用而傳統(tǒng)的方法 已經(jīng)基本失效或者效果非常差 ZZU CS ITSG RESEARCH GROUP TECHNICAL REPORT NO TR 2012 06 007 表 2 報(bào)警響應(yīng)時(shí)間 場(chǎng)景一場(chǎng)景二場(chǎng)景三 0 51s0 09s0 54 以上三個(gè)場(chǎng)景包涵了實(shí)際社會(huì) 商業(yè)等活動(dòng)中 人群 異常行為的多種情況 其中包含了室內(nèi)室外場(chǎng)景 還包含 了人群分布在場(chǎng)景中的一部分區(qū)域和人群布滿整個(gè)場(chǎng)景的 兩種情況 以及異常發(fā)生后人群向一側(cè)逃離和多方向分散 逃離的情況 所以實(shí)驗(yàn)場(chǎng)景具有廣泛的代表性 而實(shí)驗(yàn)結(jié) 果也證明異常排斥點(diǎn)方法在上述各種場(chǎng)景下均表現(xiàn)良好具 有廣泛的適用性 在報(bào)警響應(yīng)時(shí)間上 三個(gè)場(chǎng)景的實(shí)驗(yàn)得 到的結(jié)果都低于 1 秒 證明了方法的高效性和極高的靈敏 度 綜上所述 基于異常排斥點(diǎn)的人群異常檢測(cè)方法具備 廣泛的場(chǎng)景適應(yīng)性和準(zhǔn)確 高效和高靈敏度的特征 4 2 討論討論 基于異常排斥點(diǎn)的人群異常檢測(cè)方法不僅僅適用于人 群分散 亦可以用于探測(cè)人群聚集場(chǎng)景的異常行為 當(dāng)人 群聚集時(shí) 在圖像上一般會(huì)出現(xiàn)吸引點(diǎn) 吸引點(diǎn)與排斥點(diǎn) 相對(duì) 在計(jì)算吸引點(diǎn)的時(shí)候 不再尋找個(gè)體顆粒運(yùn)動(dòng)反方 向區(qū)域覆蓋度最高的位置 而是沿著運(yùn)動(dòng)方向計(jì)算運(yùn)動(dòng)方 向區(qū)域覆蓋度最高的位置 并據(jù)此獲取吸引點(diǎn) 而在計(jì)算 互信息的時(shí)候 算法亦無需大的改變不需改變 僅需將個(gè) 體運(yùn)動(dòng)背離排斥點(diǎn)運(yùn)動(dòng)的角度替換為個(gè)體運(yùn)動(dòng)朝向聚集 點(diǎn)運(yùn)動(dòng)的角度即可 如此一來 算法即可以探測(cè)人群的聚 集異常行為 這增強(qiáng)了方法對(duì)廣泛場(chǎng)景人群異常行為探測(cè) 的適應(yīng)性 4 總結(jié)總結(jié) 本文提出了一種基于異常排斥點(diǎn)的人群異常檢測(cè)方法 該方法提出了異常排斥點(diǎn)的概念 揭示了異常排斥點(diǎn)在人 群異常檢測(cè)中的重要作用 方法通過將排斥點(diǎn)信息融合進(jìn) 場(chǎng)景互信息計(jì)算 擴(kuò)展了人群異常檢測(cè)方法對(duì)于不同人群 場(chǎng)景的適用性 提高了方法的準(zhǔn)確性和靈敏度 參 考 文 獻(xiàn) 1 Harding P S Gwynne and M Amos Mutual information for the detection of crush PloS one 6 12 p e28747 2 Mehran R A Oyama and M Shah Abnormal crowd behavior detection using social force model 2009 Ieee 3 Helbing D and P Molnar Social force model for pedestrian dynamics Physical review E 1995 51 5 p 4282 4 Mahadevan V Li W Bhalodia V et al Anomaly Detection in Crowded Scenes C Computer Vision and Pattern Recognition CVPR 2010 IEEEConference on IEEE 2010 1975 1981 5 Thijs G Lescot M Marchal K et al A Higher o