基于线性稀疏模型和iHMM的群体异常事件检测

2017-04-13 01:34:36司莉莉郭春生
软件导刊 2017年3期
关键词:特征检测模型

司莉莉,郭春生

(杭州电子科技大学 通信工程学院,浙江 杭州 310018)

基于线性稀疏模型和iHMM的群体异常事件检测

司莉莉,郭春生

(杭州电子科技大学 通信工程学院,浙江 杭州 310018)

在群体异常检测中,人群特征感知主要提取个体的群体特性。提出了基于群特征的稀疏线性模型和无限隐马尔可夫(SLM-iHMM)方法检测人群异常事件。该方法通过统计模型整合空间和时间因素,基于SLM提取空间线索,从而在空间域中建立用于群特征提取的统计模型。时间线索在iHMM中被明确地编码,用于分析来自空间域的时间多尺度特征。关于UMN数据集的实验验证了该方法的可行性和有效性。

稀疏线性模型;空时因素;群体异常检测

0 引言

群体场景中的视频异常事件检测成为智能监控领域的一个热点方向。视频异常事件发生的区域比较复杂,可能发生在时域、空域或空时域。目前,视频异常事件检测算法主要基于机器学习,该方法首先从原始视频图像中提取出样本事件的特征,通过特征学习建模获得正常样本的特征规律。检测时,从测试视频数据流中提取出样本事件的特征,使用训练好的模型进行估计,如果不符合正常样本事件的特征规律,则被看作异常事件。

1 群体异常检测研究现状

对于群体异常事件的场景,章东平等[1]采用粒子视频流获得特征点运动轨迹,通过最长共同子序列聚类粒子轨迹,得到运动的主流方向,自动识别人群行为;Wang等[2]针对光流计算量大和空时梯度需要包含轮廓信息的缺陷,将光流和空时梯度相结合,提出将KLT(Kanade Lucas Tomasi)角点作为特征来描述运动特征。……

登录APP查看全文

猜你喜欢
特征检测模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
3D打印中的模型分割与打包
小波变换在PCB缺陷检测中的应用
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15