資源描述：
《基于時(shí)空特征點(diǎn)群體異常行為檢測(cè)算法研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、基于時(shí)空特征點(diǎn)的群體異常行為檢測(cè)算法研究王傳旭董晨晨青島科技大學(xué)信息學(xué)院山東青島266061摘要：提出了用時(shí)空特征點(diǎn)描述群體行為的新方法。首先，對(duì)比分析時(shí)空Harris角點(diǎn)、Gabor小波、Hessian矩陣三種特征點(diǎn)提取方法，選擇了基于Hessian矩陣的尺度不變方法提取特征點(diǎn)；分別采用梯度直方圖、光流直方圖以及時(shí)空Haar特征三種方法對(duì)特征點(diǎn)構(gòu)建描述符。然后，采用Bag-of-words策略對(duì)正常行為建模，使用基于EM估計(jì)的高斯混合模型建模產(chǎn)生關(guān)鍵詞，根據(jù)關(guān)鍵詞為每一視頻片段建立一個(gè)帶有概率分布的編碼向量，形成編碼表。最后，異常行
2、為的檢測(cè)是將測(cè)試樣本的編碼向量與訓(xùn)練樣本編碼表進(jìn)行比較，計(jì)算相似度距離，當(dāng)最小距離大于閾值時(shí)，判該群體行為異常。在UCF和UMN兩種群體行為數(shù)據(jù)集下的實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)θ后w異常行為進(jìn)行有效識(shí)別，對(duì)尺度變化以及背景光照變化等具有較好的適應(yīng)性。關(guān)鍵詞：群體異常行為時(shí)空特征點(diǎn)關(guān)鍵詞詞袋高斯混合模型中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：AAbnormalCrowdedBehaviorDetectionBasedonSpatialTemporalInterestingPointsWangChuanxuDongChenchenInstitut
3、eofInformaticsQingdaoUniversityofScienceandTechnologyQingdao266061ChinaAbstract:ThispaperproposesanewmethoddescribinghumanbehaviorincrowdedscenesbasedonSTIPs(SpatialTemporalInterestingPoints).BycomparingthreedifferentmethodsforSTIPsextraction,whichareHarriscorner,Gaborw
4、aveletandHessianmatrix,Thescale-invariantextractionmethodwhichbasedonHessianmatrixischoseninthepaper.Histogramofgradient,histogramofopticalfloworientationandspatial-temporalHaarfeatureareusedtobuilddescriptorsforSTIPs.Thenbag-of-wordsmodelisusedinnormalbehaviormodeling.
5、GMMbasedonEMestimationisintroducedtoproducekeywords.Theneachvideoofnormalactionisdividedintoseveralclipsandtheyaredescribedinprobabilityvectorsusingkeywords.Allvectorsconstructnormalbehaviorcodebook.Intestingphase,throughcalculatingthesimilaritydistancebetweenthecodingv
6、ectorofthetestsampleandthatofthenormal,abnormalbehaviorcanbedetectedwhenthedistanceexceedsthethreshold.ThealgorithmistestedinUMNandUCFdatasets,theexperimentsshowthattheproposedalgorithmhaseffectiveidentificationforgroupabnormalbehavior,andithasgoodadaptabilityagainstsca
7、levarianceandilluminationchanging.Keywords:Crowdabnormalbehavior;Spatial-temporalinterestingpoints;Bag-of-words;Gaussianmixturemodel51引言群體異常行為檢測(cè)是視頻監(jiān)控的重要內(nèi)容，逐步受到研究者的廣泛關(guān)注。RaminMehran等[1]提出在圖像中建立粒子，利用SFM描述粒子與周?chē)臻g的相互作用力，用力的強(qiáng)度來(lái)描述視頻中人的行為；ShandongWu等[2]采用了一種粒子流動(dòng)的方式，利用粒子的軌跡來(lái)描述局部
8、的軌跡運(yùn)動(dòng)，實(shí)現(xiàn)了異常行為的檢測(cè)與定位；針對(duì)極端擁擠場(chǎng)景中的異常行為檢測(cè)問(wèn)題，VijayMahadevan[3]等人用MDT[4]模型化視頻序列，然后分別檢測(cè)模型在時(shí)空和空間上的異常，整合后判斷異基金項(xiàng)目：國(guó)家自然科學(xué)基
