针对视频监控的中小群体异常行为检测分析

李锐

摘 要：近年来，视频监控的应用范围日渐广泛，应用过程中，常有中小群体异常行为出现，需及时进行检测，在此过程中，传统的检测方法场景适应与实时性的平衡难以实现。因此，该文基于机器学习角度，将一种通过群体密度、运动特征来对异常行为进行检测的方法提出，应用对群体密度进行快速估计的方法来对群体的密度特征进行提取，群体运动特征则应用局部稠密光流法来进行提取，与密度特征相结合，对群体异常行为的识别以随机森林计算法来实现。

关键词：视频监控 中小群体 异常行为 检测

中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2017）03（a）-0058-02

现阶段，对监控视频中群体异常行为进行检测的模型大多还有一些问题存在，一方面，实时性与场景适应性的平衡难以实现，对模型进行检测需要耗费大量时间，这些检测模型不能对多种异常情况进行适应。另一方面，部分检测模型忽视了对群体密度的估计，在群体稀疏场景中，运动矢量可能比较混乱，致使误判出现。基于这些问题，该文提出一种通过群体密度的特征与运动的特征来对异常行为实施检测的方法。

1 常用监控视频中小群体异常行为检测方法分析

当前，基于视频监控角度，学者们将多种检测模型提出，具体而言，主要有以下几种类型：（1）通过分类实现检测的模型，此种模型对样本进行训练，得到正常事件的分类器，随后应用分类器来对需要检测的事件进行分类处理。（2）通过推断实现检测的模型，对表示事件相关的特征数据实时聚类处理，得到一个基本的事件模式，随后建立各个基本事件的概率密度函数，以获得各个基本事件属于某种模式的可能性，从而推断出异常类型。（3）通过重构实现检测的模型，应用正常事件中的相应数据，对其进行训练，以小误差重构获得正常的事件，以大误差重构获得异常事件。（4）通过能量实现检测的模型，在此种模型下，监控区域被看作是一个整体，对其中运动相应的能量进行提取，与阈值进行比对，对行为是否正常进行判断。

2 该文提出的针对视频监控的中小群体异常行为检测方法分析

2.1 算法的整体框架

该文提出的算法通过以下三个步骤来实现：第一，将对群体密度进行快速估计的算法提出，对群体的密度等级（设为G）、群体人数的变化率（设为V）进行提取。第二，将对群体运动特征进行提取的算法提出，对平均动能（设为E）、运动方向熵（设为O）、距离势能（设为D）三个群体运动特征进行提取。第三，对以上两个步骤进行综合，获得五种群体特征，应用随机森林算法来对群体行为进行判断，查看是否有异常存在。

2.2 对群体密度进行检测的算法

应用混合的高斯背景模型来对ROI中二值前景像素数进行提取，利用透视矫正算法来对前景像素数进行更新，以FAST角点密度来对群体密度权的重值进行设定，使前景像素完成归一化，于不同的取值范围中，应用最小二乘法来对曲线进行拟合，以对G进行估计。随后，以前景像素数的计算获得V，此种算法对中小群体密度的估算能够实现良好效果。

2.3 对运动体征进行提取的算法

前景图通过二值前景的掩码获得，对局部的稠密光流进行计算，通过光流的掩码来对光流的相关运动信息进行提取，得到E、O的运动特征。对光流场掩码中的FAST角点相互间的欧式距离进行计算，对D进行提取。

3 通过随机森林进行特征分类的方法

随机森林算法属于基于决策树组合分类算法的一种，个别树输出的类别众数决定了其总体的输出类别，此种方法运算简单、快速，事先无需对数据实施预处理，需要进行调整的参数不多，无需担心拟合过度的问题，可对大数据集进行有效处理，且抗燥能力较强。在现有的诸多算法中，随机森林算法的精度最高，对多分类问题进行处理时，相较于支持向量机，此种方法的泛化能力明显较强。其实现过程如下，其中，N为训练样本数；M为训练样本属性数，m为整数，>0，

4 分析实验结果

在双核2.69 GHz的CPU、内存为1.7GB的PC机上对该监控系统进行搭建，该文算法通过编写代码实现（MATLAB 2014a开发平台），相关视频的序列来源于PETS2009、UMN，实验结果证实，相较于传统的群体异常行为分析方法，该文的方法效果理想，在对中小群体的异常行为进行检测中比较适用。

4.1 该文算法识别率与传统算法识别率比对

对于没有规则的乱动、相同方向突然散乱、突然奔跑三种常见的一种，该文算法的分类结果、识别率均较为理想。传统的方法分别对群体密度进行估计，对群体运动特征进行提取，与前景像素数、边缘像素数相结合，以最小二乘法来估计密度群体的数量，应用灰度共生矩阵与支持量机相结合，对估计高密度的人群数量，再应用纯光流法来对群体方向熵、运动平均动能进行提取，随后与事先设定好的阈值进行比对，以判断是否有异常的行为出现。

4.2 该文算法实时性与传统算法实时性比对

对于UMN中出现没有规则乱动的视频，该文算法的实时性较高。进行实际运用过程中，该文算法每隔5帧就可以采样一次，采样率相对较低，这样，可使计算的耗时得到进一步减少，一般情况下，平均时耗仅为每帧36.6 ms。该文算法与传统算法的比较情况如下，对于密度进行估计时，该文的用时是53 ms，传统算法是165 ms；对光流特征进行提取时，该文算法用时为99 ms，传统算法是138 ms；该文算法分类器用时为0 ms，传统算法是13 ms。可见，该文算法各项用时均明显较传统算法短，在实时性方面，该文算法有巨大优势。

5 结语

目前，监控视频的应用日渐广泛，应用过程中，经常需要对群体异常行为进行判断，以对监控系统进行及时调试，从而保证监控准确性。为了进一步对监控视频中小群体异常行为的检测方法进行探讨，该文提出了一种通过对群体密度与运动的特征来对检测异常行为的方法，采用归一化的前景像素数来估计群体的密度。此种算法不但准确，而且速度快，能够对人群稀疏场景进行良好排除，使错误判断减少。另外，该文采用随机森林算法对异常行为进行分类，并将实验结果与传统计算方法得到的结果比较，结果显示，该文方法的准确度、实时性均明显较为优越，且有良好的场景适应性，在实际工作中应用价值较大。

参考文献

[1] 郑伟，李媛媛.吉林市水利无线视频监控系统工程建设情况[J].中国防汛抗旱，2011，21（6）：70-72.

[2] 刘洪磊.无线视频监控组网设计及应用[J].科技资讯，2015，13（5）：26.

[3] 高振中.无线视频监控在输变电施工中的应用[J].科技传播，2013（24）：254-255.