周靈娟

摘要：針對視頻序列中的局部異常事件檢測，提出了一種基于稀疏編碼模型異常事件檢測方法。首先對訓(xùn)練視頻序列提取出時(shí)空塊，然后通過用譜聚類算法對時(shí)空塊進(jìn)行學(xué)習(xí)并得到不同的人群事件。由訓(xùn)練得到的人群事件的類中心建立字典，最后用正交匹配跟蹤算法重建測試樣本的核矢量。實(shí)驗(yàn)結(jié)果表明，本方法對人群中局部異常行為能進(jìn)行檢測與定位，且具有較好的識別率。

關(guān)鍵詞：譜聚類；稀疏編碼；字典；正交匹配跟蹤；

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）33-0125-04

Local Abnormal Event Detection in Crowded Scenes

ZHOU Ling-juan

（School of Communication Engineering， Hangzhou Dianzi University， Hangzhou 310018， China）

Abstract：This paper proposed a novel approach based on spare coding model to detect abnormal behavior in video sequences.firstly， the video sequence is cropped into spatio-temporal volumes，and then them are studied by spectral clustering algorithm. A dictionary is set up by the class center of the group event，and the kernel vector of the test sample is reconstructed by orthogonal matching tracking algorithm. Experimental results show that the proposed method have better detection performance in detecting the local abnormal events than state-of-the-art approaches.

Key words：spectral clustering；sparse coding ；dictionary； orthogonal matching tracking

視頻異常事件檢測是指能自動分析視頻監(jiān)控場景中發(fā)生的異常事件，并能對其發(fā)出報(bào)警信號。例如步行街上的騎車、輪滑和車輛通行，廣場上人群的恐慌、踩踏等這些異常事件都能及時(shí)的被檢測到并進(jìn)行報(bào)警。它能提高相關(guān)部門的響應(yīng)和救援效率，從而在視頻監(jiān)控領(lǐng)域有著廣泛的應(yīng)用前景。通常人群異常事件分為局部異常事件和全局異常事件[1]。局部異常事件是指人群中某些目標(biāo)對象的行為異于其他個(gè)體的行為，如步行街上的車輛移動、地鐵口入口的逆行等。人群中局部異常事件檢測作為計(jì)算機(jī)智能監(jiān)控領(lǐng)域的一方面，具有實(shí)時(shí)、智能、高效的特點(diǎn)，在安防領(lǐng)域發(fā)揮著巨大的作用。目前，已經(jīng)出現(xiàn)了多種針對人群中局部異常事件檢測的模型，如文獻(xiàn)[2]通過采用混合高斯模型學(xué)習(xí)與歸納出訓(xùn)練階段中不同類型的運(yùn)動特征的規(guī)律，根據(jù)學(xué)到的模型，對每一個(gè)輸入的測試樣本數(shù)據(jù)計(jì)算它的概率估計(jì)值，如果其值小于設(shè)定的閾值，則該測試樣本數(shù)據(jù)被判為異常事件。該混合高斯模型算法識別率很差。而文獻(xiàn)[3]采用混合動態(tài)紋理模型用來有效的表達(dá)場景中表象和動態(tài)信息?；旌蟿討B(tài)紋理模型雖具有較好的識別率但是其算法復(fù)雜度高且效率低。本文采用光流來描述局部特征，然后利用譜聚類算法[4]對其進(jìn)行特征學(xué)習(xí)，最后對所有訓(xùn)練得到的人群事件的類中心建立字典。

1 局部異常事件檢測算法研究

1.1 方法概述

對人群中局部異常事件檢測分為兩個(gè)階段：訓(xùn)練階段和測試階段。訓(xùn)練階段是指采用譜聚類算法去學(xué)習(xí)與歸納出不同類型的局部運(yùn)動特征，得到所有人群事件的類中心并對其建立相似矩陣來作為字典；測試階段是指首先提取局部運(yùn)動特征，然后求出其與訓(xùn)練階段所得到的每類人群事件類中心的核函數(shù)值，并以此來建立核矢量，最后獲取它關(guān)于字典稀疏的表達(dá)重構(gòu)誤差，并將其與已設(shè)定的閾值進(jìn)行比較，如果重構(gòu)誤差大于閾值，則判為異常。

1.2 特征提取

將視頻段中每一幀分割成互不重疊且大小為[N×N]的塊，并連續(xù)取[M]幀，得到大小為[N×N×M]的立方體塊，每個(gè)立方體塊稱為原子。設(shè)視頻幀的分辨率大小為[W×H]，每一幀得到塊的數(shù)量[f_block=（WN）×（HN）]，[t]時(shí)刻位置[loci]上塊的運(yùn)動信息用一個(gè)直方圖表示[hloci t=[h1，h2，h3，h4]]，[1≤loci≤f_block]，其中[hloci t]中的各個(gè)分量是根據(jù)光流方向按90度間隔量化獲得的4個(gè)方向上的光流幅值之和。結(jié)合歷史時(shí)刻的直方圖信息，t時(shí)刻位置[loci]上的原子可以表示為[xloci t=[hloci t-（M-1）/2…h(huán)loci t+（M-1）/2]]，[M]取奇數(shù)，[1≤loci≤f_block]。取一段視頻，以[M]幀為單位分成[N1]小段，得到原子數(shù)量為[N1×f_block]，由這些原子構(gòu)成原子集合。

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)的主要參數(shù)取值如下：[N=10]，[M=3]，[N1=7]，[th1=-50]，[th2=]0.375。所有實(shí)驗(yàn)使用Matlab與C++混編，其中VS2008、Matlab R2010b 64-bit、OPENCV計(jì)算機(jī)視覺庫、Armadillo C++ library[6]所使用的操作系統(tǒng)是windows7 64-bit。硬件配置如下：Interl I5 CPU，2GB RAM。為了驗(yàn)證本文方法的有效性，引用最近公布的UCSD[3]數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)分析。UCSD數(shù)據(jù)庫屬于局部異常事件檢測，即視頻幀中會同時(shí)存在正常和異常事件。圖3給出了部分測試實(shí)驗(yàn)效果圖，其中第一排來自ped1的測試視頻，第二排來自ped2的測試視頻，圖中異常事件用紅顏色標(biāo)記出來。通過比較等錯(cuò)誤率大小來評判方法的好壞，等錯(cuò)誤率越小，表示異常事件檢測效果越好。其中，等錯(cuò)誤率是指誤報(bào)率等于漏報(bào)率。本文采用基于像素級和圖像幀級的等錯(cuò)誤率定性和定量地驗(yàn)證本方法的性能。表1給出了基于幀級別的等錯(cuò)誤率、表2給出了基于像素級別的等錯(cuò)誤率，從表1、表2可知本文方法的效果優(yōu)于其他幾種方法。

3結(jié)束語

本文針對視 頻序列中局部異常事件檢測，提出了一種基于稀疏編碼模型的異常事件檢測模型。在訓(xùn)練階段，本文采用譜聚類算法去學(xué)習(xí)與歸納出不同類型的運(yùn)動特征，得到所有人群事件類中心并對其建立字典，然后在測試階段，輸入測試樣本并求得它的核矢量，最后獲取它關(guān)于字典稀疏的表達(dá)重構(gòu)誤差，并將其與已設(shè)定的閾值比較，如果重構(gòu)誤差大于閾值，則判為異常。實(shí)驗(yàn)結(jié)果表明本文所提出的算法具有較高的異常事件識別率。

參考文獻(xiàn)：

[1] 吳新宇，郭會文，李楠楠，等. 基于視頻的人群異常事件檢測綜述[J]. 電子測量與儀器學(xué)報(bào)，2014（6）：575-584.

[2] 獨(dú)大為. 擁擠場景下視頻異常事件檢測技術(shù)研究[D].成都：電子科技大學(xué)，2013.

[3] Mahadevan V， Li W， Bhalodia V， et al. Anomaly detection in crowded scenes[C]//Computer

Vision and Pattern Recognition （CVPR）， 2010 IEEE Conference on. IEEE， 2010： 1975-1981.

[4] Kumar S P， Ramaswami K S. Fuzzy K- means cluster validation for institutional quality assessment[C]. Communication and Computational Intelligence （INCOCCI），2010：628-635.

[5] Joel A Tropp， Anna C Gilbert. Signal Recovery from Partial Information via Orthogonal Matching Pursuit[J]. 2000 Mathematics Subject Classification， 2005：1-18.

[6] Sanderson C. Armadillo： An open source C++ linear algebra library for fast prototyping and computationally intensive experiments[R]. Technical report， NICTA， 2010.http：//arma.sour-ceforge.net.

[7] Kim J ， Grauman K..Observe locally， infer globally： A space-time MRF for detecting abnormal activities with incremental updates [C].Proceedings of the 2009 IEEE International Conference on Computer Vision and Pattern Recognition 2009：2921-2928.

[8] Reddy V， Sanderson C， Lovell B C. Improved anomaly detection in crowded scenes via cell-based analysis of foreground speed， size and texture[C]. Proceedings of the 2011 IEEE International Conference on Computer Vision and Pattern Recognition Workshops （CVPRW） 2011：55-61.

[9] Thida M， How-Lung Eng， Remagnino P. Laplacian Eigenmap With Temporal Constraints forLocal Abnormality Detection in Crowded Scenes[J].IEEE Transactions on Cybernetics，2013，43（6）：2147-2156.

[10] Cong Y，Yuan J， Liu J. Sparse reconstruction cost for abnormal event detection[C]. Proc.

IEEE Conf. Computer Vision and Pattern Recognition， 2011：3449-3456.

[11] Adam A， Rivlin E， Shimshoni I， et al. Robust real-time unusual event detection using multiple fixed-location monitors[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence， 2008（30）：555–560.