基于異常排斥點和互信息的人群異常檢測方法

基于異常排斥點和互信息的人群異常檢測方法

ID:38711813

大小:6.55 MB

頁數(shù):6頁

時間:2019-06-18

基于異常排斥點和互信息的人群異常檢測方法_第1頁
基于異常排斥點和互信息的人群異常檢測方法_第2頁
基于異常排斥點和互信息的人群異常檢測方法_第3頁
基于異常排斥點和互信息的人群異常檢測方法_第4頁
基于異常排斥點和互信息的人群異常檢測方法_第5頁
資源描述:

《基于異常排斥點和互信息的人群異常檢測方法》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、AUTHOR:TITLEODDPAGE3基于排斥點和互信息的人群異常行為探測方法MutualInformationfortheDetectionofAbnormalCrowdBehavior摘要快速探測人群場景中的異常行為,能夠及時預(yù)警、減少其危險性并降低由此帶來的損害,在大規(guī)模偵測、預(yù)防踩踏等群體事件中具有很高的實用性。本文提出一種基于異常排斥點的人群異常行為檢測方法,定義了人群異常場景中異常排斥點的概念,揭示了異常排斥點在人群異常探測中的重要作用,并通過融合異常排斥點信息與場景互信息擴(kuò)展了人群異常檢測在不同場景中的適用性,大幅度提高了異常檢測的準(zhǔn)確

2、性和靈敏度。關(guān)鍵詞互信息,排斥點,人群異常探測,光學(xué)流NoTR-2012-06-007?2012ZZU——————————u——————————0.引言ZZUCSITSGRESEARCHGROUPTECHNICALREPORT,NO.TR-2012-06-007人群狀態(tài)檢測是智能視頻監(jiān)控和智能環(huán)境的主要內(nèi)容,也是實現(xiàn)自動人群管理的基本要求。利用計算機(jī)視覺技術(shù)對監(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產(chǎn)損失,如果在異常行為開始時,系統(tǒng)能夠及時警報并進(jìn)一步采取

3、應(yīng)對措施,就可以有效降低相應(yīng)事件所帶來的危害。所以,異常行為探測在我國的當(dāng)前社會、經(jīng)濟(jì)環(huán)境下具有廣泛的實用價值。然而,在實際應(yīng)用過程中,由于監(jiān)控使用場景廣泛、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)控往往需要耗費大量的人力、物力,且效率低下,通用性差,人群異常行為識別嚴(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)控場景的范圍原來越廣泛,從公共廣場到建筑內(nèi)部,不同場景的人群活動具有不同

4、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。如廣場中某處發(fā)生騷亂,人群四處逃散,或向一側(cè)出口逃散?;蛘邚V場上某一區(qū)域發(fā)生聚集。面對如此復(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,異常模式探測困難,計算量大。對于智能視頻監(jiān)控來說,及時地探測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。及時的探測有助于警報的發(fā)出和人群的疏散和逃生,從而能夠?qū)⑽kU造成的損失降到最低。為此,有效簡化異常探測模型,降低數(shù)據(jù)預(yù)處理的計算量和計算復(fù)雜度,滿足異常行為檢測的高速乃至實時要求是當(dāng)前人群異常檢測的核心內(nèi)容。傳統(tǒng)人群異常

5、探測技術(shù)在計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和互信息的人群異常行為探測方法。方法揭示了不同場景下人群異常行為模式的公共特點,并進(jìn)一步提出了“排斥點”的概念。結(jié)合互信息理論,方法對不同的監(jiān)控場景具有良好的適應(yīng)性,提高了人群異常行為探測的及時性和準(zhǔn)確性。1.相關(guān)工作當(dāng)前流行的人群異常探測方法主要包含兩種:一種是基于整體的方法,一種則面向個體追蹤。前者往往通過構(gòu)建場景模型[5,6],用學(xué)習(xí)算法估計模型參數(shù)后用該模型進(jìn)行異常檢測。Helbing等[3]將牛頓力學(xué)定律引入人群動力學(xué)分析中,稱之為“社會力”(Socialforce)。Ma

6、hadevan等在文獻(xiàn)[4]中先通過使用動態(tài)紋理的混合物建立了正常的人群行為模型,然后使用這個模型來判斷異常點。Mehran等[2]對社會力模型進(jìn)行了拓展,將其應(yīng)用到相對稀疏的人群行為建模上。為避免對每個局部目標(biāo)跟蹤而產(chǎn)生大量計算,使用了質(zhì)點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,對社會力流構(gòu)建語料庫后用隱含狄利克雷分配(La-tentDirichletallocation,LDA)訓(xùn)練并發(fā)現(xiàn)人群行為標(biāo)題,再利用詞袋法(Wordbag,WB)進(jìn)行模式分析以檢測人群事件。LDA訓(xùn)練和詞袋模型的EM近似算法導(dǎo)致該方法的計算量偏大。對于實時監(jiān)

7、控系統(tǒng)來說,這樣的計算量對系統(tǒng)來說無疑是個沉重的負(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景,當(dāng)人群密度較小,人群中個體之間的相互作用力較小,這樣對人群的異常行為的探測影響非常大。并且,該文章沒有考慮到在室內(nèi)場景中,個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場景中個體的追蹤[7,8]。Harding[1]提出了一種基于互信息的探測人群異常行為的方法。該方法指出,人群在正常情況下的運動是有序的,場景中人群的位置和方向有關(guān),都是均勻分布的。這樣,人群中個體的位置和方向的

8、相關(guān)度較高,所以計算得到的互信息值較高。在異常行為下的人群會向安全的地方運動,這樣在人群異常行

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。