基于梯度的擁擠場景異常檢測算法

張綠云 唐鳳仙

（河池學院，廣西 宜州 546300）

基于梯度的擁擠場景異常檢測算法

張綠云 唐鳳仙

（河池學院，廣西 宜州 546300）

針對在極度擁擠場景下，由于場景中包含了過多的人和物，同時由于人力的限制，無法快速找出異常行為的問題，提出了一種基于梯度的擁擠場景異常檢測算法，該方法通過將視頻進行分割，然后提取梯度信息，計算高斯模型參數(shù)，再應用SOM（自組織映射）進行分類從而找出異常行為。

梯度；異常檢測；SOM

近年來，對于安全敏感的公共領(lǐng)域（如機場，地鐵站等）的視頻監(jiān)控，群體場景下的異常行為自動檢測正變得越來越重要。傳統(tǒng)行為分析方法依賴于普通環(huán)境中的個體分割和跟蹤。但由于大量的人和頻繁的擁堵，這些方法在群體場景中的應用都失敗了。計算機視覺領(lǐng)域?qū)θ后w行為分析的興趣正在增漲。已經(jīng)有幾種方法被提出來了。Andrade等結(jié)合PCA、普聚類和HMM來對群體場景進行建模[1]，并對模擬數(shù)據(jù)中的中斷退出事件進行檢測。Mehran等用social force模型來捕獲群體中的相互作用，同時用LDA對常規(guī)行為進行建模并檢測異常行為[2]。Saxena等提出選擇和追蹤的人群特征點并開發(fā)最終用戶的情況[3]來檢測群體異常，而不是使用一般群體模型。

同時隨著視頻監(jiān)控設備成本的下降，進而可以存儲的視頻數(shù)據(jù)也越來越多，但是沒有足夠的人力來操作這些過量的信息。在極度擁擠的場景中， 過多的人和他們的行為需要被監(jiān)控，這對觀察者來說是一個極大的挑戰(zhàn)，用來幫助人類觀察者的計算方法必須能夠成功處理在現(xiàn)實世界領(lǐng)域存在的擁堵現(xiàn)象。

過多的人和物造成了極度擁堵現(xiàn)象，而這種現(xiàn)象對人類來說是一種挑戰(zhàn)。行人的不規(guī)則移動造成了嚴重遮擋，位于場景中的物體有助于分析每個人的行為作為我們的需求任務，即便對于現(xiàn)代的計算機系統(tǒng)也是如此。并且監(jiān)控攝像頭記錄下的畫面覆蓋了大面積區(qū)域并包括了大量的人。因此，一個計算方法必須能夠?qū)⑽挥诓煌瑓^(qū)域內(nèi)的體系進行活動分離，并同時保留包括整個場景在內(nèi)的結(jié)構(gòu)信息。

大多數(shù)用于識別視頻序列中不正常事件的方法僅能夠識別由小部分物體組成的序列，在每一幀中，極度擁擠的場景包含了成百的人，甚至在整個視頻序列中包含上千的人。普遍的視頻分析場景如PEST2007數(shù)據(jù)庫，即使在最擁擠的場景里也只是包含了不到一百的人物。其主要是集中于分析整個視頻幀或者抽取物體的一些特定信息。

在本文中，通過在極度擁擠的場景里將視頻進行分割成多個小長方體，然后計算小長方體內(nèi)的像素梯度信息，再計算其均值和協(xié)方差，本文的主要創(chuàng)新點在于最后通過SOM法進行分類找出異常行為，從而實現(xiàn)異常行為的檢測。

1 算法的詳細過程

1.1 視頻分割

在一幀內(nèi)，極度擁擠場景包含了在不同位置發(fā)生的許多獨立活動，這些活動放在一起構(gòu)成了整個視頻的潛在結(jié)構(gòu)。通過將視頻劃分成固定大小的局部時空容器，筆者把它稱之為長方體。筆者為每一個視頻的時空體積用一個緊湊的運動模式來表示，并識別一些非典型的運動模式，有效得捕捉整個視頻的運動結(jié)構(gòu)。

1.2 抽取時空梯度特征并計算其高斯模型參數(shù)

在極度擁擠的場景里，構(gòu)建運動模式是一個極度大的挑戰(zhàn)，行人的數(shù)量導致一些局部活動遮擋，在每一個區(qū)域內(nèi)的

活動是非均勻的。筆者希望以一種緊湊的方式來表示長方體內(nèi)的非均勻局部時空運動模式，這對于含有豐富信息的運動模式來說，是行不通的。筆者使用時空梯度分布作為基礎(chǔ)表示，對于長方體內(nèi)的每一個像素I，計算時空梯度[4]

其中x,y,t為視頻的水平、垂直、時間維數(shù)。長方體內(nèi)的每一個像素的時空梯度放到一起表示特征運動模式，筆者構(gòu)建梯度的三維高斯分布，其中

為了捕捉到場景的潛在運動結(jié)構(gòu)，筆者希望確定典型的運動模式表示并在長方體中抽取運動變量。為了能夠在局部的時空運動模式進行辨別，筆者使用對稱的KL散度。和

1.3 應用SOM找出異常行為

自組織映射(SOM)[5]由Kohonen提出，其是一個廣受歡迎的簇集和數(shù)據(jù)可視化工具，其在一些用于檢測異常行為的實際應用中有著廣泛的應用。

SOM所擁有的特點，使其適合于對各種群體行為模式進行建模。首先，它按拓撲順序計算特征向量，這使得與某一特定輸入模式域相關(guān)的點陣中的神經(jīng)元的空間位置和一個神經(jīng)元的鄰域表現(xiàn)出了相似特征，能容忍某種通過平滑變換得到的不同模式間的變化程度。這種特性對解釋正常模式的多模態(tài)是有用的。此外，控制一個神經(jīng)元的更新僅僅需要兩個參數(shù)，學習速率和鄰域的大小。通過恰當?shù)馗淖冞@些參數(shù)，增量學習可以根據(jù)新的輸入模式來實現(xiàn)。

筆者使用公開的UMN數(shù)據(jù)庫來進行測試，SOM參數(shù)值，取K=8，ηmax＝0.1，dmax=10，α＝β＝0.1，在SOM迭代的步驟過程中，從池中隨機抽取一個樣本，應用在線更新方法對獲勝的神經(jīng)元進行更新，然后確定一個高斯分布距離值來找出μdist和σdist其作為用于選擇一個正確的檢測閾值μTH和σTH的標準線。如果一個樣本和它獲勝的神經(jīng)元之間的距離大于μTH+2σTH,其被分類為不正常。

2 實驗結(jié)果

筆者將本文算法和基于光流的方法進行比較，將檢測異常行為正確率和錯誤檢測率進行比較，實驗視頻從UMN數(shù)據(jù)庫視頻選取。

圖1 正常走路圖

圖2 奔跑四散圖

其中圖1中的正常走路表示正常情況，圖2中的奔跑四散表示異常情況，實驗結(jié)果如表1所示。

表1 實驗結(jié)果

其中video1表示UMN視頻中的第一段，依此類推，總共取10段視頻進行實驗。

3 結(jié)論

從實驗結(jié)果可以看出，本文中的方法的誤檢率和異常檢測率和光流方法幾乎差不多，但是從時間上進行比較，本文方法比光流方法耗時少，驗證了本文方法的有效性。雖然本文方法在時間上比光流方法耗時少，但是耗時還是過長，因此在效率方面還有待提高。

壓吸引［7］，但本案例的患者口腔分泌物過多，護士不能時刻在患者身旁護理，注射器抽吸消耗人力物力，硅膠吸痰管管徑過小，吸引范圍小，不能充分吸引，導致口腔分泌物囤積，且如固定不牢，硅膠吸痰管直接接觸口腔黏膜負壓吸引時可能在一定程度上損傷黏膜，將進一步加重口腔感染。

一次性組合式吸痰管，口徑大于普通吸痰管，頂端有海綿條，材質(zhì)柔軟，不易損傷口腔黏膜。海綿采用波紋及平面雙重設計，摩擦系數(shù)大，而且耐酸堿腐蝕。在海綿的四周都設有吸引孔，可防止堵塞，能及時有效地進行吸引，減少誤吸的發(fā)生。其手柄為防滑半透明硬桿，具有弧度設計，符合口腔生理解剖，擦拭面廣。頂端的海綿條在沖洗口腔的同時對牙齦和口腔粘膜進行擦洗，從而更有效地清除牙菌斑和口腔分泌物。使用組合式吸痰管進行口腔分泌物引流及口腔沖洗時省時省力，對減少口腔殘留物、口腔異味，提高口腔清潔度方面有非常好的臨床效果。同時，使用持續(xù)低負壓吸引可及時吸除口腔內(nèi)分泌物，杜絕流涎現(xiàn)象，從而保持了面部皮膚的清潔干燥，增加了患者的舒適度。

呼吸機相關(guān)性肺炎是重癥監(jiān)護病房內(nèi)最常見的感染，一旦出現(xiàn)呼吸機相關(guān)性肺炎，不但延長住院時間，增加住院費用，甚至對患者生命產(chǎn)生威脅，故在臨床護理上尤其需要注意預防。

[1] 蔡少華.呼吸機相關(guān)肺炎的預防新策略[M].國外醫(yī)學·內(nèi)科學分冊,2000,6(27) : 242-245.

[2] 邱海波.ICU主治醫(yī)師手冊[M].南京:江蘇科學技術(shù)出版社,2007.

[3] Blot Stijn,Vandijck Dominique,Labeau Sonia. Oral care of intubated patients[J].Clinical Practice Management,2008, 15(3):153-160.

[4] 陳進文,杜正隆,寧成誠,等.口腔沖洗加涂擦法在經(jīng)口氣管插管患者口腔護理中的應用[J].護士進修雜志,2011, 26(23):134-136.

[5] 樊明文.口腔生物學[M].北京:人民衛(wèi)生出版社,1996.

[6] 周海燕,徐彩娟.自制持續(xù)吸引管防止口腔分泌物外溢的效果觀察[J].護理與康復,2008,7(4) :286-287.

[7] 朱曉燕,魏薇萍,管佳慧,等.經(jīng)口氣管插管患者口腔持續(xù)低負壓吸引的效果觀察[J].蚌埠醫(yī)學院學報,2012,37(5): 604-605.

【參考文獻】

[1] E. L. Andrade,S. Blunsden, and R. B. Fisher. Modeling crowd scenes for event detection[J]. In Proc. International Conf. on Pattern Recognition, 2006:175-178.

[2] Mehran, R., Oyama, A.,Shah,M. Abnormal crowd behavior detection using social force model[J]. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition,2009: 935-942.

[3] S.Saxena, F. Bremond, M. Thonnat,R. Ma. Crowd behavior recognition for video surveillance[J].Lecture Notes on Computer Science,2008,(5259):970-981.

[4] Louis Kratz, Ko Nishino. Anomaly Detection in Exteremely Crowded Scenes Using Spatio-Temporal Motion Pattern Modeles[J]. IEEE,2009:1446-1453.

[5] Jie Feng,Chao Zhang,Peng Wei Hao. Online Learning with Self-Organizing Maps for Anomaly Detection in Crowd Scenes[J]. International Conference on Pattern Recognition, 2010:3599-3602.

Anomaly Detection in Extremely Crowded Scenes basing on gradient

In extremely crowded scenes, there are too many people and objects, and because of the constraint of manual labor. It's difficult to find the abnormal behavior. Anomaly detection in extremely crowded scenes basing on gradient is proposed in this paper. Firstly the video is divided, then the gradient information is extracted and the parameters of the Gaussian model are calculated. Lastly the abnormal behaviors are found out by using SOM to classify.

gradient; anomaly detection; SOM

TP391.4

A

1008-1151(2015)03-0040-02

2015-02-13

河池學院青年課題(2014QN-N010)；河池學院“計算機網(wǎng)絡與軟件新技術(shù)”重點實驗室（院科研[2013]3號）。

張綠云（1987－），女，河池學院助教，碩士，研究方向為圖像識別；唐鳳仙（1977 －），女，河池學院教師，碩士，研究方向為圖像識別。