论文部分内容阅读
人群异常行为检测是使用安装在公共场所的闭路电视摄像机捕获和检测异常事件,例如斗殴,交通事故和踩踏,然后及时发出警告。它在智能监控领域具有广泛的应用。近年来,人群异常行为检测方法取得了较好发展,并有许多优秀的检测算法被提出。但是,许多挑战性问题尚未得到有效解决,例如光照变化,人群遮挡和复杂背景,导致人群异常行为检测算法的准确性和鲁棒性大大降低。因此,检测人群异常行为仍然是一项艰巨的任务。为了提高人群异常行为检测算法的准确性和鲁棒性,基于空间和运动特征表示以及深度学习工具利用,本文的主要研究工作和创新如下:(1)针对复杂背景及遮挡等原因引起人群异常行为检测性能低的问题,本文提出一种基于综合光流特征描述符(synthetic optical flow feature descriptor,SOFD)及轨迹的人群异常行为检测方法。所提方法首先根据人群光流场变化计算人群运动速度、加速度、方向和能量,并利用上述特征设计新的时空特征描述符,即SOFD;其次,利用KLT(Kanade-Lucas-Tomasi)追踪算法获得人群运动轨迹单帧图;最后,基于所获取上述特征,设计双流卷积神经网络(two stream convolutional neural networks,TS-CNN)以进行异常行为检测。仿真结果表明,与现有主流算法相比,所提算法可显著提高现实场景下的异常行为检测准确性及鲁棒性。(2)针对复杂背景及遮挡等原因引起人群异常行为检测性能低的问题,本文提出一种基于帧间特征的人群异常行为检测方法,所提方法首先根据人群光流场变化计算人群运动的瞬时加权能量,加速度值及方向差光流值并分别映射为HSV的色调值,饱和度及数值以此形成代表人群帧间运动特征的帧间显著图;最后,基于帧间显著图和单帧原图,设计TS-CNN以检测人群异常行为。仿真结果表明,与现有主流算法相比,所提算法可显著提高现实场景下的异常行为检测的准确性及鲁棒性。