论文部分内容阅读
随着社会经济的快速发展,很多发达地区人口流动也随之增加,很多公共场合如学校、商场、车站等经常呈现高密度人口聚集场景,导致一些危险暴力事件发生。所以公共场合的安全问题对智能监控的需求日益增加,视频异常检测算法研究作为智能监控应用的核心研究课题,对公共安全建设有着重要的研究意义。本文从群体特征感知与异常检测模型两方面进行异常检测算法研究。下面对主要内容简要阐述:在视频场景中,由于群体是由个体组成,而每个个体能够表现出两种特性:一致的群体性和相异的随机性,群体特征感知的目标是提取每个个体的一致性特征,而直接提取个体的群体特征是相当难的,考虑到稀疏向量的稀疏性,本文提出一种基于稀疏线性模型的群体特征感知算法,该算法是基于概率的一种统计模型,先假设群体特征具有一定的超高斯先验分布,建立个体群体性和随机性的统计表征,通过稀疏贝叶斯和变分推理的方法求出群体的稀疏表示,从而有效地实现个体的群体性和随机性分离,从而提取个体的一致性特征。最后在MATLAB平台上对图像稀疏表示进行仿真,验证了超高斯先验分布猜想的可行性和有效性。由于异常事件不仅发生在时域、空域甚至发生在空时域,考虑到异常事件发生的复杂性,在稀疏线性模型的基础上,提出一种基于SLM-iHMM空时模型的异常检测算法,该算法是一种有向级联算法,分别在空域和时域对图像特征进行提取与整合。在空域,基于SLM建立个体群体性和随机性的统计表征,在空域表示群体特征;在时域,将空间域特征作为iHMM统计模型输入进行参数训练,在状态不断转换中捕捉特征的时间关系。异常检测时,通过训练正常事件的SLM-iHMM模型,将测试视频序列输入到训练好的空时模型。异常帧的定量判断,通过比较用正常样本和测试样本训练模型参数构建的对数似然函数。对UMN和PETS2009这两个数据集的试验,验证了SLM-iHMM模型在异常事件检测方面具有显著的检测性能。