張俊陽(yáng) 謝維信 植柯霖

(深圳大學(xué)ATR國(guó)防科技重點(diǎn)實(shí)驗(yàn)室，廣東深圳 518060)

1 引言

隨著社會(huì)上暴恐襲擊、人群擁擠踩踏等安全問(wèn)題的發(fā)生，智能視頻監(jiān)控技術(shù)的發(fā)展顯得愈加重要，考慮到中、高密度的人群往往更容易發(fā)生突發(fā)狀況，且現(xiàn)實(shí)中公共場(chǎng)所存在大量的視頻監(jiān)控，故針對(duì)人群的異常行為檢測(cè)越來(lái)越受到學(xué)者、管理者的重視，具有較高的研究與應(yīng)用價(jià)值，視頻中人群異常行為檢測(cè)技術(shù)已成為近年來(lái)智能視頻監(jiān)控領(lǐng)域的一個(gè)研究熱點(diǎn)。

人群異常行為檢測(cè)首要解決的問(wèn)題即是如何界定人群中的異常行為和正常行為。異常行為的定義通常具有很大的人為主觀性，特點(diǎn)為發(fā)生概率小，且正常人能夠明確地發(fā)覺(jué)，通常易對(duì)他人、公共場(chǎng)合等造成不利影響或預(yù)示著危險(xiǎn)事故的發(fā)生[1]。根據(jù)這一特點(diǎn)，研究者重視的人群中異常行為有行人圍觀擁堵道路、可疑人往人群丟包裹[2]、廣場(chǎng)及室內(nèi)場(chǎng)合的恐慌奔跑、車輛闖入人行道等行為[3]，此外，行人徘徊、摔倒、多人打架斗毆[4]等異常行為檢測(cè)也備受關(guān)注。

近年來(lái)，研究者已經(jīng)在人群異常行為檢測(cè)領(lǐng)域提出許多有效方法?？傮w上，根據(jù)表征人群運(yùn)動(dòng)行為特征提取方法的不同，可將異常行為檢測(cè)大致分為2類：①基于低級(jí)視覺(jué)特征的算法，如文獻(xiàn)[5]通過(guò)對(duì)每一訓(xùn)練幀提取最大光流映射直方圖特征，構(gòu)建過(guò)完備字典，設(shè)定稀疏重構(gòu)閾值判斷檢測(cè)幀是否異常。可有效檢測(cè)全局異常行為，但無(wú)法定位異常，算法耗時(shí)多。文獻(xiàn)[6]提出一種基于混合核動(dòng)態(tài)紋理的視頻異常行為檢測(cè)算法，對(duì)視頻塊的表觀和時(shí)域動(dòng)態(tài)變化進(jìn)行建模，從時(shí)間上和空間上分別檢測(cè)異常行為和定位物體，但當(dāng)行人相互之間遮擋時(shí)，外觀發(fā)生變化，易造成誤檢。②基于高級(jí)視覺(jué)特征的算法，如文獻(xiàn)[7]通過(guò)檢測(cè)并跟蹤視頻幀中特征點(diǎn)獲得軌跡片段，計(jì)算軌跡段直方圖作為視頻分塊高級(jí)描述子，使用LDA生成模型劃分視頻幀是否存在異常行為。算法提取了更長(zhǎng)期運(yùn)動(dòng)軌跡的運(yùn)動(dòng)信息，但特征點(diǎn)檢測(cè)性能與跟蹤穩(wěn)定性對(duì)特征描述的有效性存在很大影響。Chaker則認(rèn)為可從人群的能量變化判定視頻中異常行為，對(duì)人群能量建立馬爾科夫模型，對(duì)檢測(cè)幀推斷異常行為的發(fā)生[8]，但不能用于長(zhǎng)期的推斷。

為了充分挖掘表征人群運(yùn)動(dòng)模式的高級(jí)視覺(jué)信息，并更有效地從異常幀中定位異常運(yùn)動(dòng)的人或物體。本文提出了一種基于運(yùn)動(dòng)前景效應(yīng)圖特征的人群異常行為檢測(cè)算法，算法先通過(guò)自適應(yīng)混合高斯背景分割算法提取視頻幀序列的前景區(qū)域，將每一視頻幀在空間上分塊獲得運(yùn)動(dòng)前景塊，并計(jì)算所有運(yùn)動(dòng)前景塊給周圍塊帶來(lái)的運(yùn)動(dòng)效應(yīng)，可獲得每幀相應(yīng)的效應(yīng)圖，取時(shí)間上連續(xù)多幀的空間子塊作為空時(shí)塊，提取每個(gè)空時(shí)塊的效應(yīng)圖特征。最后通過(guò)一種改進(jìn)的優(yōu)化初始聚類中心的K-means聚類算法對(duì)訓(xùn)練幀序列進(jìn)行聚類訓(xùn)練，空時(shí)塊可快速地匹配最近的聚類中心，設(shè)定固定閾值可判定其異常與否。

2 運(yùn)動(dòng)前景提取

分析判斷視頻中異常行為的一個(gè)行之有效的方法即是分析運(yùn)動(dòng)行人或物體的運(yùn)動(dòng)信息[4-7,9]，表現(xiàn)異常行為的運(yùn)動(dòng)行人或物體往往表現(xiàn)出異常的運(yùn)動(dòng)狀態(tài)。故重點(diǎn)分析視頻中的運(yùn)動(dòng)前景目標(biāo)的運(yùn)動(dòng)狀態(tài)是科學(xué)的，且能夠排除監(jiān)控場(chǎng)景中噪聲、背景等冗余信息對(duì)所要建立的運(yùn)動(dòng)模型帶來(lái)的干擾。

基于混合高斯的背景建模算法是計(jì)算機(jī)視覺(jué)領(lǐng)域常用的一種運(yùn)動(dòng)前景區(qū)域提取方法。該算法具有檢測(cè)效果佳、實(shí)時(shí)性較好等特點(diǎn)，至今仍然具有很高的實(shí)用價(jià)值。而針對(duì)混合高斯背景建模算法中構(gòu)成每個(gè)像素的高斯數(shù)量需要人為確定的缺點(diǎn)，許多自適應(yīng)混合高斯背景分割算法被提出來(lái)，可以自適應(yīng)地確定混合高斯模型中的高斯數(shù)量，能夠減少場(chǎng)景中光照變化、噪聲等帶來(lái)的干擾，同時(shí)減少計(jì)算量。本文主要采用Zivkovic改進(jìn)的自適應(yīng)混合高斯背景分割算法提取視頻幀序列的運(yùn)動(dòng)前景[10]。并使用該文獻(xiàn)中的參數(shù)設(shè)置。

圖1為采用自適應(yīng)混合高斯背景建模算法對(duì)視頻幀圖像進(jìn)行的運(yùn)動(dòng)前景提取，從所得的前景圖像可看出，即使圖片分辨率低，運(yùn)動(dòng)目標(biāo)表觀模糊，算法的前景區(qū)域分割效果也很好。

圖1 自適應(yīng)混合高斯背景建模算法提取運(yùn)動(dòng)前景

3 運(yùn)動(dòng)前景效應(yīng)圖特征提取

異常行為檢測(cè)階段準(zhǔn)確性的提高要求行人或其他物體運(yùn)動(dòng)的特征描述更加具有區(qū)分性。為克服直接使用如灰度梯度、光流直方圖、動(dòng)態(tài)紋理等低級(jí)視覺(jué)特征描述所造成的噪聲高、區(qū)分度低的問(wèn)題[4- 6]，本文結(jié)合了行人實(shí)際運(yùn)動(dòng)模型，深入分析表現(xiàn)異常行為的行人或物體對(duì)周圍環(huán)境所造成效應(yīng)的不同，給出表示運(yùn)動(dòng)前景對(duì)周圍環(huán)境造成效應(yīng)的特征計(jì)算方法，將人群運(yùn)動(dòng)效應(yīng)作為運(yùn)動(dòng)模型的高級(jí)特征描述，提出了一種基于運(yùn)動(dòng)前景效應(yīng)圖的特征描述。

圖2 運(yùn)動(dòng)前景效應(yīng)圖特征提取框圖

圖2給出了本文的運(yùn)動(dòng)前景效應(yīng)圖特征的提取框圖，算法首先由自適應(yīng)混合高斯模型對(duì)視頻幀序列做運(yùn)動(dòng)前景提取，并進(jìn)行空間上分塊得到運(yùn)動(dòng)前景塊。然后根據(jù)視頻幀的稠密光流獲得運(yùn)動(dòng)前景塊的運(yùn)動(dòng)矢量表示，最后計(jì)算所有運(yùn)動(dòng)前景塊的效應(yīng)獲得效應(yīng)圖，并以連續(xù)多幀的空間子塊作為空時(shí)塊的形式提取空時(shí)塊的效應(yīng)圖特征。

3.1 運(yùn)動(dòng)前景塊提取

首先將自適應(yīng)混合高斯模型提取的前景圖在空間上分割成W×L個(gè)圖像塊，每個(gè)圖像塊尺度大小為Npixel×Npixel，由于重點(diǎn)在于分析運(yùn)動(dòng)行人或物體的各部分運(yùn)動(dòng)的效應(yīng)，如人的手部揮動(dòng)效應(yīng)影響。故N的取定準(zhǔn)則為：?jiǎn)蝹€(gè)前景塊可表示為運(yùn)動(dòng)前景目標(biāo)的某一部分。其次，對(duì)圖像塊進(jìn)行預(yù)處理，這是由于自適應(yīng)混合高斯背景提取可能存在零星的前景點(diǎn)，這些前景點(diǎn)可能是噪聲、背景細(xì)微變動(dòng)或者是運(yùn)動(dòng)物體運(yùn)動(dòng)幅度較小造成的，無(wú)法明顯地表示一個(gè)物體塊的運(yùn)動(dòng)行為，特點(diǎn)是前景點(diǎn)在相應(yīng)塊內(nèi)的數(shù)量占比小，其會(huì)對(duì)后續(xù)的效應(yīng)圖特征的計(jì)算產(chǎn)生干擾，故只有圖像塊內(nèi)的前景點(diǎn)數(shù)量達(dá)到一定比例才能作為運(yùn)動(dòng)前景塊。對(duì)分割出的每個(gè)圖像分塊做如下處理。

假設(shè)Bj(1≤J≤W×L)表示第j個(gè)圖像分塊，bj為其塊內(nèi)前景點(diǎn)數(shù)量，則只有滿足公式(1)才能作為運(yùn)動(dòng)前景塊保留，否則該分塊作為噪聲去除。

(1)

其中，Gi(1≤i≤S)表示圖像塊Bj在滿足條件時(shí)可作為第i個(gè)運(yùn)動(dòng)前景塊，λ為前景點(diǎn)比例閾值，取值可在0.1～0.4。

圖3中左圖為出現(xiàn)噪聲點(diǎn)的前景圖像，噪聲干擾主要產(chǎn)生于圖像的獲取和傳輸過(guò)程，由于存在的噪聲影響，造成某些背景像素點(diǎn)在時(shí)間序列中變化較大，短時(shí)間內(nèi)形成了一個(gè)新的高斯分布，自適應(yīng)混合高斯背景模型將其誤判為前景點(diǎn)，因而前景圖中存在孤立前景點(diǎn)。由于孤立點(diǎn)呈現(xiàn)數(shù)量少、隨機(jī)分布的特點(diǎn)，圖1中未出現(xiàn)噪聲點(diǎn)，圖3左圖則表示了噪聲點(diǎn)出現(xiàn)的情形。

圖3中右圖為使用公式(1)對(duì)前景圖像作預(yù)處理效果圖，通過(guò)預(yù)處理結(jié)果可以看出，將塊內(nèi)前景點(diǎn)占比小的圖像塊作為背景去除可以有效地去除零星的前景點(diǎn)，使所提取的運(yùn)動(dòng)前景塊可以更有效地表示真實(shí)的運(yùn)動(dòng)物體。

圖3 前景圖像預(yù)處理

3.2 運(yùn)動(dòng)前景塊的運(yùn)動(dòng)表示

運(yùn)動(dòng)前景塊可表示為運(yùn)動(dòng)目標(biāo)如行人或小車等目標(biāo)的一部分實(shí)體，通過(guò)對(duì)前景塊內(nèi)像素點(diǎn)的光流信息可描述前景塊的運(yùn)動(dòng)狀態(tài)。文中先通過(guò)文獻(xiàn)[11]所提出的稠密光流算法計(jì)算原始圖像序列中每一幀每一像素點(diǎn)的光流矢量。為不失一般性，假設(shè){G1,G2,...,GS}為所提取的運(yùn)動(dòng)前景塊，通過(guò)取塊內(nèi)所有像素點(diǎn)光流矢量的平均作為當(dāng)前塊的光流矢量。

(2)

3.3 運(yùn)動(dòng)前景效應(yīng)圖特征計(jì)算

人群中單個(gè)行人運(yùn)動(dòng)方向容易受到很多影響因素的影響，例如道路上行駛的車輛、周圍行人和其他障礙物。這些周圍因素給行人帶來(lái)的運(yùn)動(dòng)影響有效地被應(yīng)用于人群運(yùn)動(dòng)模型建立[12-14]。文獻(xiàn)[14]研究了物體塊間相互影響的作用規(guī)律，但并沒(méi)有考慮物體塊對(duì)自身位置的影響。本文則從另一角度，將行人或其他運(yùn)動(dòng)目標(biāo)給周圍空間造成的影響稱為運(yùn)動(dòng)效應(yīng)，考慮周圍空間分塊受到運(yùn)動(dòng)前景塊的效應(yīng)主要取決于運(yùn)動(dòng)前景塊的運(yùn)動(dòng)方向、運(yùn)動(dòng)速度和距離。

(3)

圖4 前景塊的運(yùn)動(dòng)模型圖

故可定義運(yùn)動(dòng)前景塊Gi對(duì)空間塊Bj的效應(yīng)權(quán)值為：

(4)

空間塊Bj受到多個(gè)運(yùn)動(dòng)方向各不同的前景塊帶來(lái)的影響效應(yīng)，需依據(jù)不同的運(yùn)動(dòng)方向?qū)η熬皦K的效應(yīng)做統(tǒng)計(jì)，可以使提取的特征具有更高的區(qū)分度，為了計(jì)算效率，對(duì)運(yùn)動(dòng)前景塊的運(yùn)動(dòng)方向作如下量化處理。

(5)

其中，k∈{1,2,3,...,p},p為量化方向區(qū)間總數(shù)。

按照運(yùn)動(dòng)前景塊光流的量化方向?qū)η熬皦K給空間塊Bj產(chǎn)生的效應(yīng)作統(tǒng)計(jì)如下。

(6)

其中，ki表示第i個(gè)運(yùn)動(dòng)前景塊光流的量化方向索引值。

在計(jì)算出所有空間塊Bi的運(yùn)動(dòng)前景效應(yīng)權(quán)值后，可構(gòu)建視頻序列中一幀圖像的運(yùn)動(dòng)前景效應(yīng)圖，運(yùn)動(dòng)前景效應(yīng)圖的每一空間塊均可由p維向量表示。為了在更長(zhǎng)時(shí)間統(tǒng)計(jì)運(yùn)動(dòng)前景效應(yīng)，使所提取特征具有更高區(qū)分性，取連續(xù)t幀的空間塊作為一個(gè)空時(shí)分塊，疊加t幀空間塊的特征向量作為空時(shí)塊的特征描述。

圖5表示運(yùn)動(dòng)前景效應(yīng)圖特征的提取過(guò)程，相較于直接利用光流、表觀等低級(jí)特征描述，表征運(yùn)動(dòng)目標(biāo)空間上和時(shí)間上的運(yùn)動(dòng)效應(yīng)的特征描述具有更高級(jí)的視覺(jué)特性。

4 改進(jìn)的優(yōu)化初始聚類中心K均值聚類算法

K均值聚類算法是一種可以將大量數(shù)據(jù)劃分類別的簡(jiǎn)單有效算法，應(yīng)用較為廣泛。這種聚類算法存在著聚類中心數(shù)量需人為確定、不同的初始質(zhì)心可導(dǎo)致不同聚類結(jié)果等缺點(diǎn)，其中，初始質(zhì)心的選擇很大程度上影響算法的聚類性能，目前仍未有既保證全局最優(yōu)又聚類結(jié)果最好的解決方法[15]。

針對(duì)初始聚類中心優(yōu)化問(wèn)題，研究人員提出了很多改進(jìn)方法。K-means++為戴維亞瑟等人于2007年提出的優(yōu)化初始聚類中心的K均值聚類算法[16]，其主要改進(jìn)思想為：初始選定的聚類中心之間的距離應(yīng)該保持盡可能遠(yuǎn)的距離，即選定本質(zhì)上類別差異性大的初始聚類中心點(diǎn)。同樣依據(jù)該思想的改進(jìn)算法有最近鄰選擇法[17]、依據(jù)樣本密集性選擇法[18]。

為了獲得固定的初始聚類中心，且算法具有較好的聚類效果，對(duì)文獻(xiàn)[19]的最大距離初始化方法作出改進(jìn)。首先計(jì)算樣本集中所有樣本點(diǎn)相互之間的距離，從中選取距離最大的兩個(gè)樣本點(diǎn)作為聚類中心集合，取離集合最遠(yuǎn)的點(diǎn)加入集合作為集合的更新，并以此類推，直至集合中聚類中心數(shù)量達(dá)到k個(gè)。

4.1 算法步驟

改進(jìn)的最大距離初始化聚類中心算法的執(zhí)行流程如下所示：

輸入：數(shù)據(jù)集X={x1,x2,...,xn},xi∈Rd，聚類中心數(shù)k。

輸出：k個(gè)初始聚類中心。

1)初始化聚類中心集合C=?；

圖5 運(yùn)動(dòng)前景效應(yīng)圖特征提取過(guò)程

2)計(jì)算數(shù)據(jù)集中任意兩個(gè)樣本點(diǎn)之間的歐式距離，記xi，xj為距離最大的兩個(gè)樣本點(diǎn)，更新C={xi,xj}；

3)記集合U=X-C，計(jì)算集合U中所有樣本點(diǎn)與集合C的距離，距離公式為D(xp,C)=minD(xp,xl),xp∈U,xl∈C；

5)重復(fù)步驟3)、4)，直至集合C元素?cái)?shù)量達(dá)到k個(gè)。

4.2 聚類結(jié)果評(píng)估

為驗(yàn)證改進(jìn)的優(yōu)化初始聚類中心K均值聚類算法的有效性，將算法與經(jīng)典K均值算法、K-means++算法做比較。實(shí)驗(yàn)平臺(tái)為MATLAB2013。使用UCI上常用的Iris、Wine、Seeds、User knowledge model (UKM)共4組數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，表1為數(shù)據(jù)集的屬性。

表1 測(cè)試數(shù)據(jù)集屬性

由于K-means算法、K-means++算法所選取的初始聚類中心不是固定的，故對(duì)其取20次運(yùn)行結(jié)果作為聚類效果衡量，使用誤差平方和、聚類準(zhǔn)確率作為聚類結(jié)果評(píng)估。

表2 聚類準(zhǔn)確率結(jié)果

表3 誤差平方和結(jié)果

表2及表3為實(shí)驗(yàn)結(jié)果，與前兩種算法比較，文中改進(jìn)的算法在準(zhǔn)確率和誤差平方上有一定的改善，且能夠獲得固定的初始聚類中心，在應(yīng)用于異常行為建模時(shí)避免了因?yàn)槌跏季垲愔行牟还潭▽?duì)聚類效果的干擾。

5 異常行為檢測(cè)的算法框架

圖6 算法整體框架

5.1 運(yùn)動(dòng)前景效應(yīng)圖特征提取

首先使用文獻(xiàn)[10]提取視頻序列圖像的運(yùn)動(dòng)前景區(qū)域，將圖像切分為W×L個(gè)空間塊，結(jié)合預(yù)處理的前景圖像可提取運(yùn)動(dòng)前景塊，運(yùn)動(dòng)前景塊被用于計(jì)算每個(gè)空間塊的運(yùn)動(dòng)效應(yīng)權(quán)值特征向量，將時(shí)間上連續(xù)多幀的空間塊特征累加形成運(yùn)動(dòng)前景效應(yīng)圖特征。

5.2 針對(duì)改進(jìn)的K-means訓(xùn)練及分類

K均值聚類算法為常用的數(shù)據(jù)挖掘算法，可對(duì)大量數(shù)據(jù)進(jìn)行聚類，文中針對(duì)其隨機(jī)性初始化聚類中心的缺點(diǎn)作出改進(jìn)，由于圖像尺度在視頻幀中不同位置時(shí)表現(xiàn)不一致，故對(duì)于不同位置的空時(shí)塊均采用一個(gè)K-means模型做聚類訓(xùn)練，共有W×L個(gè)K-means聚類模型。

(7)

通過(guò)設(shè)定閾值Tε判斷ε(i,j)是否為離群點(diǎn)，如果ε(i,j)>Tε，則可將該空時(shí)塊標(biāo)記為異常，可實(shí)現(xiàn)對(duì)視頻中異常行為的檢測(cè)和定位。

6 實(shí)驗(yàn)與分析

實(shí)驗(yàn)使用Intel(R) Core(TM) i7處理器、8.00 GB內(nèi)存臺(tái)式電腦，使用C++、Matlab編程實(shí)現(xiàn)。實(shí)驗(yàn)采用由文獻(xiàn)[20]于2010年提出的UCSD異常檢測(cè)視頻數(shù)據(jù)集，為現(xiàn)階段認(rèn)可度較高的公開(kāi)數(shù)據(jù)集。

6.1 實(shí)驗(yàn)參數(shù)設(shè)定

UCSD視頻數(shù)據(jù)集包含2個(gè)不同自然場(chǎng)景的視頻集，分別為Ped1和Ped2，其中定義了許多異常行為對(duì)象，如：滑輪者、貨車、坐輪椅者、巡邏車、騎自行車者。Ped1的圖像分辨率為238 pixel×158 pixel，包含34段訓(xùn)練樣本和36段測(cè)試樣本；Ped2的圖像分辨率為360 pixel×240 pixel，包含16段訓(xùn)練樣本和12段測(cè)試樣本。所有測(cè)試樣本均給出標(biāo)出異常行為對(duì)象的基準(zhǔn)幀。

文中運(yùn)動(dòng)前景塊的大小表示的是運(yùn)動(dòng)行人或物體的一部分，故空間分塊需結(jié)合圖像中行人表觀分辨率而定，將Ped1空間分塊大小設(shè)為8 pixel×8 pixel，Ped2空間分塊大小設(shè)為12 pixel×12 pixel，由于時(shí)間分塊目的在于獲取短時(shí)內(nèi)的運(yùn)動(dòng)行為表示，則可設(shè)定t=4。前景點(diǎn)比例閾值根據(jù)實(shí)際情況可設(shè)定λ=0.1。運(yùn)動(dòng)前景塊影響視野范圍設(shè)為[-π,π]，距離范圍隨著運(yùn)動(dòng)幅值而變化，故設(shè)定δd=‖gi‖×n×n，光流量化方向p依據(jù)實(shí)驗(yàn)效果設(shè)定為8，改進(jìn)的K均值聚類類數(shù)設(shè)為5，足夠表征人群的正常行為。

（3）標(biāo)準(zhǔn)化采集：解析識(shí)別原始流量，實(shí)現(xiàn)xDR數(shù)據(jù)合成、統(tǒng)計(jì)分析、流控封堵、還原等功能，同時(shí)具備智能鏡像能力，可基于應(yīng)用層信息（如應(yīng)用特征碼、關(guān)鍵字內(nèi)容等）的規(guī)則復(fù)制流量提供給上層應(yīng)用。

6.2 異常行為檢測(cè)算法準(zhǔn)確率評(píng)估

提取運(yùn)動(dòng)前景圖的視頻理論上更有利于異常行為的檢測(cè)，故為了驗(yàn)證所提出算法利用前景圖的有效性與整體檢測(cè)方案的準(zhǔn)確性。從兩方面進(jìn)行實(shí)驗(yàn)比較，一為與基于前景信息的方法之間的實(shí)驗(yàn)比較，另一方面為與現(xiàn)有其他檢測(cè)方法之間的實(shí)驗(yàn)比較。

6.2.1基于前景信息的檢測(cè)算法實(shí)驗(yàn)比較

將所提出算法(簡(jiǎn)稱為Ours)與其他兩種基于前景信息的異常行為檢測(cè)算法做比較，分別為基于區(qū)域的軌跡分析與路徑預(yù)測(cè)[21](簡(jiǎn)稱為Region-Based)、空時(shí)卷積神經(jīng)網(wǎng)絡(luò)[22](簡(jiǎn)稱為ST-CNN)。前者重點(diǎn)分析前景存在的區(qū)域，而后者間接利用運(yùn)動(dòng)前景信息，提取運(yùn)動(dòng)信息顯著的空時(shí)塊作為重點(diǎn)分析對(duì)象。此外，為分析改進(jìn)的K均值聚類在所提出算法中的作用，將所提出的運(yùn)動(dòng)前景效應(yīng)圖特征和經(jīng)典K均值聚類結(jié)合的算法(簡(jiǎn)稱為MEM-kmeans)進(jìn)行比較。

圖7為Ours算法與其他幾種基于前景的檢測(cè)算法之間的ROC曲線比較，在數(shù)據(jù)集Ped1上，Region-Based具有最好的ROC曲線，其他三種算法基本較為接近；在數(shù)據(jù)集Ped2上，Ours算法與MEM-Kmeans表現(xiàn)相當(dāng)，并比其他兩種方法好。

圖7 UCSD數(shù)據(jù)集上基于前景的檢測(cè)算法的ROC曲線比較

表4和表5分別為通過(guò)AUC(Area Under Curve)、EER(Equal Error Rate) 這2個(gè)重要的量化評(píng)估指標(biāo)的評(píng)估結(jié)果。評(píng)估實(shí)驗(yàn)為幀級(jí)(flame-level)的檢測(cè)評(píng)估。

表4 UCSD數(shù)據(jù)集上基于前景的檢測(cè)算法的AUC指標(biāo)對(duì)比

由表4可得在場(chǎng)景Ped1下，Region-Based的AUC指標(biāo)值比Ours算法高出1.27個(gè)百分點(diǎn)，Ours算法與ST-CNN的AUC指標(biāo)值則基本相等；在場(chǎng)景Ped2下，Ours的AUC最佳。而無(wú)論P(yáng)ed1還是Ped2，Ours的AUC指標(biāo)值與MEM-Kmeans方法的AUC值最為接近。

表5 UCSD數(shù)據(jù)集上基于前景的檢測(cè)算法的EER指標(biāo)對(duì)比

表5中在場(chǎng)景Ped1下，Ours算法低于Region-Based方法1.51個(gè)百分點(diǎn)，為19.52%，但要優(yōu)于ST-CNN的20.37%；在場(chǎng)景Ped2下，Ours算法比Region-Based提高了4.07%。此外，總體上，Ours算法只比MEM-Kmeans提高了0.8%的指標(biāo)值。

故整體上看，Ours算法取得最佳的準(zhǔn)確率。Region-Based在Ped1具有最佳的表現(xiàn)，其對(duì)幀間前景信息進(jìn)行了較為深入的軌跡分析。Ped2視頻集具有更高的分辨率，Ours算法則可對(duì)運(yùn)動(dòng)前景塊建立更為有效的運(yùn)動(dòng)模型。無(wú)論P(yáng)ed1數(shù)據(jù)集還是Ped2數(shù)據(jù)集，MEM-Kmeans與整體Ours算法表現(xiàn)均十分接近，表明了異常行為檢測(cè)有效性的提高更多的是特征提取的改進(jìn)，而改進(jìn)的K均值聚類則是為了避免K均值聚類中心不固定導(dǎo)致聚類模型不穩(wěn)定的缺點(diǎn)。

6.2.2其他檢測(cè)算法實(shí)驗(yàn)比較

為驗(yàn)證所提出算法(簡(jiǎn)稱為Ours) 的準(zhǔn)確性，將Ours算法與現(xiàn)有的其他幾種算法作比較，這些檢測(cè)方案并無(wú)利用前景信息，分別為：社會(huì)力模型[12](簡(jiǎn)稱SF)、運(yùn)動(dòng)影響圖[14](簡(jiǎn)稱Dong-Gyu)、局部光流直方圖[23](簡(jiǎn)稱SL-HOF)。其中局部光流直方圖為Siqi Wang 于2016年提出的算法。

圖8為所提出算法和其他3種對(duì)比算法在Ped1和Ped2上的ROC曲線對(duì)比。Ours算法具有最佳的ROC曲線。

圖8 UCSD數(shù)據(jù)集不同算法的ROC曲線比較

算法SFDong-GyuSL-HOFOursPed174.46%80.22%79.94%84.66%Ped268.49%90.87%89.52%93.24%平均71.47%85.54%84.73%88.95%

表6為本文算法及其他對(duì)比算法在UCSD數(shù)據(jù)集上的AUC指標(biāo)值對(duì)比。在數(shù)據(jù)集Ped1上，本文的AUC為84.66%，比Dong-Gyu提高了4.44%，與SL-HOF相比，則提升了4.72%；在數(shù)據(jù)集Ped2上，Ours比Dong-Gyu高了2.37%，與SL-HOF相比，也有較高的提升。這得益于重點(diǎn)分析前景目標(biāo)的運(yùn)動(dòng)模式，而濾除背景冗余信息的影響。

表7 UCSD數(shù)據(jù)集上不同算法的EER指標(biāo)對(duì)比

表7為本文算法與其他現(xiàn)有幾種算法在數(shù)據(jù)集UCSD上的EER指標(biāo)值對(duì)比。對(duì)于各種算法在Ped1上的EER指標(biāo)值，相較于Dong-Gyu和SL-HOF，Ours分別提升了3.5%和6.74%；而在Ped2上，Ours為11.48%，比Dong-Gyu提升了2.08%，與SL-HOF相比，也有3.99%的提升。

圖9為文中算法對(duì)測(cè)試視頻序列中異常行為對(duì)象的定位效果圖，由于重點(diǎn)針對(duì)稀密不同的人群正常運(yùn)動(dòng)視頻序列做特征提取及聚類訓(xùn)練，圖(e)與(f)表明人數(shù)稀疏、密集出現(xiàn)的異常行為對(duì)象均可進(jìn)行有效地檢測(cè)。

圖9 測(cè)試序列圖像出現(xiàn)的異常行為對(duì)象的定位

7 結(jié)論

本文提出了一種基于運(yùn)動(dòng)前景效應(yīng)圖特征的人群異常行為檢測(cè)算法，通過(guò)自適應(yīng)混合高斯背景建模方法得到視頻序列的前景圖像，并通過(guò)塊內(nèi)前景點(diǎn)篩選的預(yù)處理方法分割得前景圖像塊，計(jì)算運(yùn)動(dòng)前景的效應(yīng)圖，并以空時(shí)塊為單位提取運(yùn)動(dòng)前景效應(yīng)圖特征，以一種改進(jìn)的優(yōu)化初始聚類中心的K均值聚類算法判定待檢測(cè)空時(shí)塊的特征表示是否為離群點(diǎn)。

通過(guò)與其他算法在公認(rèn)UCSD數(shù)據(jù)集上的實(shí)驗(yàn)比對(duì)，本文算法在AUC和EER指標(biāo)上有一定的提高，并且可以定位異常行為的位置。

[1] 吳新宇, 郭會(huì)文, 李楠楠,等.基于視頻的人群異常事件檢測(cè)綜述[J]. 電子測(cè)量與儀器學(xué)報(bào), 2014, 28(6):575-584.

Wu Xinyu, Guo Huiwen, Li Nannan, et al. Survey on the video-based abnormal event detection in crowd scenes[J]. Journal of Electronic Measurement and Instrumentation,2014,28(6):575-584.(in Chinese)

[2] Rabiee H, Haddadnia J, Mousavi H.Crowd behavior representation: an attribute-based approach[J].SpringerPlus,2016,5(1):1179-1195.

[3] Popoola O P, Wang K. Video-Based Abnormal Human Behavior Recognition—A Review[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2012, 42(6):865- 878.

[4] Mohammadi S, Kiani H, Perina A, et al. Violence detection in crowded scenes using substantial derivative[C]∥IEEE International Conference on Advanced Video and Signal Based Surveillance, 2015:1- 6.

[5] Li A, Miao Z, Cen Y, et al. Abnormal event detection based on sparse reconstruction in crowded scenes[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing, 2016:1786-1790.

[6] Duan S, Wang X, Yu X. Crowded abnormal detection based on mixture of kernel dynamic texture[C]∥International Conference on Audio, Language and Image Processing,2015:931-936.

[7] Mousavi H, Mohammadi S, Perina A, et al. Analyzing Tracklets for the Detection of Abnormal Crowd Behavior[C]∥IEEE Winter Conference on Applications of Computer Vision,2015:148-155.

[8] Li Z, Chen L, Ren Z, et al. A pattern recognition for group abnormal behaviors based on Markov Random Fields energy[C]∥IEEE International Conference on Cognitive Informatics & Cognitive Computing, 2014:526-528.

[9] 柳晶晶, 陶華偉, 羅琳,等.梯度直方圖和光流特征融合的視頻圖像異常行為檢測(cè)算法[J].信號(hào)處理, 2016, 32(1):1-7.

Liu Jingjing, Tao Huawei, Luo lin, et al. Video Anomaly Detection Algorithm Combined with Histogram of Oriented Gradients and Optical Flow[J]. Journal of Signal Processing, 2016, 32(1):1-7. (in Chinese)

[10] Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]∥International Conference on Pattern Recognition, 2004:28-31.

[11] Farneb?ck G. Two-Frame Motion Estimation Based on Polynomial Expansion[M]. Image Analysis. Springer Berlin Heidelberg, 2003:363-370.

[12] Mehran R, Oyama A, Shah M. Abnormal crowd behavior detection using social force model[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2009:935-942.

[13] Chaker R, Junejo I N, Aghbari Z A. Crowd modeling using social networks[C]∥IEEE International Conference on Image Processing, 2015:1280-1284.

[14] Lee D G, Suk H I, Park S K, et al. Motion Influence Map for Unusual Human Activity Detection and Localization in Crowded Scenes[J]. IEEE Transactions on Circuits & Systems for Video Technology, 2015, 25(10):1612-1623.

[15] Choudhary A, Sharma P, Singh M. Improving K-means through better initialization and normalization[C]∥2016 International Conference on Advances in Computing,Communications and Informatics (ICACCI), Jaipur, 2016: 2415-2419.

[16] Arthur D, Vassilvitskii S. k-means++: the advantages of careful seeding[C]∥Eighteenth Acm-Siam Symposium on Discrete Algorithms Society for Industrial and Applied Mathematics, 2007:1027-1035.

[17] Kettani O, Tadili B, Ramdani F. A Deterministic K-means Algorithm based on Nearest Neighbor Search[J]. International Journal of Computer Applications, 2013, 63(15):33-37.

[18] Xiong C, Hua Z, Lv K, et al. An Improved K-means Text Clustering Algorithm by Optimizing Initial Cluster Centers[C]∥2016 7th International Conference on Cloud Computing and BigData (CCBD), Macau, China, 2016:265-268.

[19] Rajaraman A, Ullman J D. Mining of massive Datasets[M]. 2nd ed. Cambridge University Press, 2014:252-254.

[20] Mahadevan V, Li W, Bhalodia V, et al. Anomaly detection in crowded scenes[C]∥Computer Vision and Pattern Recognition, 2010:1975-1981.

[21] Zhang T, Wiliem A, Lovell B C. Region-Based Anomaly Localisation in Crowded Scenes via Trajectory Analysis and Path Prediction[C]∥International Conference on Digital Image Computing: Techniques and Applications. IEEE, 2013:1-7.

[22] Zhou S, Shen W, Zeng D, et al.Spatial-temporal Convolutional Neural Networks for Anomaly Detection and Localization in Crowded Scenes[J]. Signal Processing Image Communication, 2016, 47:358-368.

[23] Wang S, Zhu E, Yin J, et al. Anomaly detection in crowed scenes by SL-HOF descriptor and foreground classification[C]∥ 2016 23rd International Conference on Pattern Recognition (ICPR), Cancun, 2016:3398-3403.