基于線性稀疏模型和iHMM的群體異常事件檢測

司莉莉,郭春生

(杭州電子科技大學 通信工程學院,浙江 杭州 310018)

基于線性稀疏模型和iHMM的群體異常事件檢測

司莉莉,郭春生

(杭州電子科技大學 通信工程學院,浙江 杭州 310018)

在群體異常檢測中，人群特征感知主要提取個體的群體特性。提出了基于群特征的稀疏線性模型和無限隱馬爾可夫(SLM-iHMM)方法檢測人群異常事件。該方法通過統計模型整合空間和時間因素，基于SLM提取空間線索，從而在空間域中建立用于群特征提取的統計模型。時間線索在iHMM中被明確地編碼，用于分析來自空間域的時間多尺度特征。關于UMN數據集的實驗驗證了該方法的可行性和有效性。

稀疏線性模型；空時因素；群體異常檢測

0 引言

群體場景中的視頻異常事件檢測成為智能監控領域的一個熱點方向。視頻異常事件發生的區域比較復雜，可能發生在時域、空域或空時域。目前，視頻異常事件檢測算法主要基于機器學習，該方法首先從原始視頻圖像中提取出樣本事件的特征，通過特征學習建模獲得正常樣本的特征規律。檢測時，從測試視頻數據流中提取出樣本事件的特征，使用訓練好的模型進行估計，如果不符合正常樣本事件的特征規律，則被看作異常事件。

1 群體異常檢測研究現狀

對于群體異常事件的場景，章東平等[1]采用粒子視頻流獲得特征點運動軌跡，通過最長共同子序列聚類粒子軌跡，得到運動的主流方向，自動識別人群行為；Wang等[2]針對光流計算量大和空時梯度需要包含輪廓信息的缺陷，將光流和空時梯度相結合，提出將KLT(Kanade Lucas Tomasi)角點作為特征來描述運動特征。國外，基于空時特征提取的一些異常檢測方法也應運而生。Kuettel等[3]提出了一種新的相關狄利克雷過程隱馬爾可夫模型(Dependent Dirichlet Process-Hidden Markov Model，DDP-HMM)，它基于iHMM和LDA(Latent Dirichlet Allocation)模型，在復雜的動態場景中自動學習時空相關性。其它的異常檢測方法通過分析時空環境和時空紋理來提取圖像特征，文獻[4]提出一種基于對視頻立方體內的時空視頻體積配置分析的無監督統計學習框架。通過稀疏編碼來學習全局和局部活動模式，再從正常行為學習的構圖模式字典中，稀疏重建成本標準被設計為檢測在全局和本地視頻中發生的異常。

群體特征是每個個體群體特征的集合，即群體特征是群體中所有個體的一致性表現，群體中的個體既表現出一致的社會性，又具有相異的隨機性。由于群體特征的復雜性，本文提出一種基于稀疏線性模型[5](Sparse Linear Model, SLM)和無限狀態馬爾科夫模型[6](infinite Hidden Markov Model,iHMM)的空時模型——SLM-iHMM，分別在空間和時間上描述特征。假設群體特征服從一定先驗分布，建立每個個體群體性和隨機性的統計表征模型，以協調群體中個體的群體性與隨機性，從而有效增強群體特征抽取的適應性，提高異常檢測準確率。

1.1 基于SLM-iHMM的群體異常檢測算法

本節將詳細介紹所提出的模型。首先，提取底層光流特征，該特征顯示較弱的時空特性。為了提高空時特征描述能力，在本文中引入時空SLM-iHMM。在空間域中，假設低級特征作為輸入以及需要的組特征作為SLM的輸出，在時域中，用iHMM捕獲稀疏向量的時間特性關系。該方法的流程如圖1所示。

圖1 SLM-iHMM算法流程

1.2 特征選擇與稀疏學習

首先闡述圖像特征選擇與稀疏學習之間的關系。通常能用很多屬性描述一個西瓜，例如色澤、根蒂、敲聲、紋理、觸感等，但是有經驗的人往往只需觀察根蒂與敲聲就知道是否是好瓜。換言之，對一個學習任務而言，給定屬性值，其中一些屬性可能非常關鍵、有用，另一些則可能無用。在視頻圖像處理領域，將這些屬性稱為相關特征，無用屬性稱為無關特征。從給定的特征集合中選擇出相關特征子集的過程，稱為特征選擇。

特征選擇是一個重要的數據預處理過程，是機器學習中研究最早的分支之一，早期研究主要是按特征子集“生成與搜索—評價”過程來進行。在現實機器學習任務中，獲得數據之后通常先進行特征選擇，此后再訓練學習器。進行特征選擇有兩個重要原因：維數災難問題和特征選擇性[7]。在稀疏學習中，目標函數被一組基函數表示，這種表示具有兩種約束：稀疏性與統計獨立性。稀疏性約束使目標函數能被盡量少的基函數進行線性表示，而統計獨立性約束能夠使稀疏編碼的冗余盡量減小。

1.3 底層特征表示

要進行群體異常檢測，首先要提取圖像的底層特征進行預處理。為了提高檢測效率，本文將檢測范圍縮小，只關注人群的全局活動，對個體的局部特征不予考慮。對于已錄制的視頻，連續抽取視頻幀的光流特征。光流向量保留8個方向與2個尺度的運動信息，對于每一視頻幀，選取10×10的像素單元抽取其位移信息。

1.4 基于線性稀疏模型的空間特征

在一個SLM模型中，假設y作為數據的輸入，一般情況下，y是高維且冗余度較高的原始圖像信號，X是給定的過完備的用正常視頻特征訓練的字典，u即是所求的稀疏向量。該項不僅具有稀疏性，而且還具有空間特性。假設視頻光流特征y∈Rm為SLM模型的輸入數據，則稀疏線性模型可以表示為：

(1)

其中編碼字典為X∈Rm×n，編碼噪聲為ε～N(0,σ2I)，y服從高斯分布，即P(y|u)=N(y|Xu,σ2I)。由于圖像特征在空間和時間域中的不規則分布，難以直接提取群體特征，本文假設u為每個個體的群體特征部分。自然圖像的群體特征呈現超高斯(或稀疏)形式表征，本文假設空間群體特征u服從超高斯分布，其形式如下：

(2)

其中，ti(ui)為限制超高斯勢能函數。

(3)

(4)

采用雙環算法求解目標優化函數。雙環算法主要分為內環過程和外環過程兩部分求解。對于內環過程，根據迭代最小二乘算法(IRLS)求解；對于外環過程，重新估計u。內環過程和外環過程不斷進行迭代，直到外環收斂，得到稀疏向量uMAP。

1.5 基于iHMM的時間特征提取

2002年，Beal等提出了無限狀態隱馬爾可夫模型iHMM，iHMM不再需要人為指定狀態數目，而是讓數據自己說話，根據數據的自身特性智能地挑選最優的狀態數目。群體異常事件的發生域是復雜的，它可能發生在時域、空域或空時域，通過iHMM對空間域的主題提取時間特征，增強時空特征的描述能力。

本文利用iHMM在時間上的多尺度特性來提取圖像特征的時間關系。首先將訓練視頻段的稀疏向量u={u1,...uM}作為iHMM的輸入，訓練得到具有時空特性的模型狀態轉移概率矩陣π和狀態觀測矩陣φ。本文選用訓練視頻序列的平均對數似然函數作為每個圖像的新特征，該表達式可以表示為：

(5)

異常檢測時，將測試視頻段的稀疏向量作為已訓練iHMM的輸入，計算得到每一幀的對數似然函數f=logp(ut|π,φ)，然后將f和L作差，若差值大于設好的閾值，判斷該幀為異常幀。

2 實驗與分析

實驗選取的視頻數據來自UMN公開數據集,包括室內外的3個不同場景。正常行為主要包括駐足、交談、散步等，異常行為為群體性逃跑事件。對于每一個視頻場景，抽取前150正常幀作為訓練視頻集，用于訓練SLM-iHMM模型。同時，將整個視頻場景作為測試視頻集。三個場景中的異常幀分別是：93、128、180幀。實驗證明，每個場景分別檢出87、119和170幀。3個場景的平均AUC(AreaunderCurve)及與其它算法比較的ROC(接收者操作特征，ReceiverOperatingCharacteristic)如圖2所示。

圖2 三種算法的ROC圖

從表1數據可以看到，本文算法與其它相關檢測算法相比，具有更優秀的檢測性能[3-4]。

3 結語

本文提出基于稀疏線性模型和iHMM模型的空時模型群體異常檢測算法，在空間域，基于稀疏線性模型建立個體特征與群體特征的超高斯先驗統計表征；在時間域，基于iHMM對稀疏向量提取時間關系，完善了群體特征空間和時間因素的整合。大量實驗仿真結果驗證了算法的可行性和有效性。

[1] 章東平, 童超, 蘆亞飛. 基于粒子視頻的高密度人群主流運動檢測[J].電子技術應用, 2012, 38(4):123-125.

[2] S WANG, Z MIAO. Anomaly detection in crowd scene[C]. 2010 IEEE 10th International Conference on Signal Processing (ICSP), 2010: 1220-1223.

[3] KUETTEL D,et al.What's going on? discovering spatio-temporal dependencies in dynamic scenes[C].IEEE Conference on Computer Vision and Pattern Recognition,2010:1220-1223.

[4] LI N, et al.Spatio-temporal context analysis within video volumes for anomalous-event detection and localization[J]. Neurocomputing, 2015.

[5] M W SEEGER, H NICKISCH. Large scale Bayesian inference and experimental design for sparse linear models[J]. SIAM Journal on Imaging Sciences, 2011, 4(1):166-199.

[6] 朱明.視頻異常事件檢測研究[D].杭州：杭州電子科技大學，2010.

[7] 周志華.機器學習[M].北京:清華大學出版社,2016.

[8] 王晶.稀疏貝葉斯學習理論及應用研究[D].西安：西安電子科技大學,2012.

(責任編輯：黃 健)

國家自然科學基金項目(61372157)

司莉莉(1991-)，女，江蘇連云港人，杭州電子科技大學通信工程學院碩士研究生，研究方向為信號與信息處理。

10.11907/rjdk.162548

TP306

A

1672-7800(2017)003-0001-02