基于軌跡信息的異常事件檢測研究現狀與進展

聞輝 賈冬順 嚴濤 陳德禮 林元模

摘 要：基于軌跡信息的異常事件檢測是智能視頻監控系統最重要的應用之一。本文分別介紹了軌跡信息的主要研究方法，軌跡相似性度量方法以及基于軌跡信息的異常事件檢測與判別，最后給出了研究展望。

關鍵詞：智能視頻監控;軌跡;異常檢測

視頻監控中的自動異常事件檢測是智能視頻監控系統最重要的應用之一。通過對異常數據的定位，可以極大減少數據處理量，方便有效搜索。通過對目標數據的自動分析，它提供當前監控場景的有用信息并進行實時處理，可以實時地識別可疑目標并自動判斷是否出現異常，在異常事件發生時能及時上報，同時事后能快速查找到線索，從而形成事前預警，事中處理，事后及時取證的全自動、全天候實時監控的智能系統。因此在保障人類社會生活安全性的同時極大降低了人力、物力成本。

一、軌跡信息的主要研究方法

對運動目標進行跟蹤可提取豐富的目標特征信息。其中，軌跡信息是最常用的一種，通過對場景中存在的運動目標軌跡進行聚類，可以發掘場景中存在的運動行為模式，進而完成目標軌跡的分類、識別以及異常軌跡檢測和行為預測等，為高層次的場景理解提供了語義描述性的信息。

軌跡分析一般由三個部分組成：軌跡預處理、軌跡聚類以及軌跡建模。在軌跡預處理階段，一般有兩種方法：標準化和降維。其目的是為了使所處理的軌跡具有相同的長度，補零法和重采樣法是兩種典型的標準化技術。文獻[1]通過使用一些簡單的濾波器對軌跡進行平滑，再將平滑結果進行內插和采樣從而使不同軌跡的長度相同。與標準化技術不同，降維法將軌跡映射到一個計算上更易處理的空間。文獻[2]提出一種向量量化的降維方法，通過采取有限的字符集向量原型對每條軌跡進行符號量化，從而有效降低軌跡維數。此外，模式識別中的基于主分量分析的PCA子空間降維、拉普拉斯特征向量分解、核函數方法是常用的軌跡向量降維方法。

二、軌跡相似性度量方法

為了對軌跡進行有效聚類，需要定義軌跡的相似性度量。歐式距離、動態時間規整、Hausdorff距離可用來度量不同長度的軌跡數據[3]。文獻[4]提出分層軌跡聚類方法，軌跡之間的相似性關系用自底向上或自頂向下的樹狀結構來描述。該文獻[5]提出基于自組織映射的神經網絡軌跡聚類方法，通過復雜的非線性關系映射，軌跡被表示成一種低維結構并在輸出節點處進行相似性度量。文獻[6]先將軌跡建模成一系列的詞袋，通過獲取詞袋間的共生矩陣來實現軌跡相似性度量。

三、基于軌跡信息的異常事件檢測與判別

一旦軌跡被聚類，需要建立合適的路徑模型或運動模式。對目標進行運動模式分析是異常檢測和行為預測的一種有效方法。文獻[7]先從圖像序列中產生目標軌跡，目標軌跡用一系列的向量流來表示，每個向量是包含目標位置和速度的四維信號，并采用向量量化的方式來學習目標軌跡的概率密度函數。文獻[8]提出將每條路徑用隱馬爾科夫模型（HMM）來建模，其中每個隱層狀態用高斯混合模型來表示。子路徑模型隨后按照概率連接的方式來定義。

四、總結與展望

利用軌跡信息來實現視頻監控運動對象信息的特征提取，可極大減少視頻監控領域的存儲量。對于判斷和識別檢測對象的異常運動行為，并在刑偵安全、醫療監護、智能交通管理等領域都有非常廣泛的應用。隨著社會智能化程度的逐步提高，其應用范圍也必將獲得更大程度的推廣。

參考文獻：

[1]I.N.Junejo，O.Javed，and M.Shah，“Multi feature path modeling for video surveillance，”in Proc.Int.Conf.Pattern Recognit.Aug.2004，pp.716-719

[2]L.Jiao，Y.Wu，G.Wu，E.Y.Chang，and Y.-F.Wang，“Anatomy of a multicamera video surveillance system，”ACM Multimedia Syst.vol.210，no.2，2004，pp.144-163

[3]Brendan Tran Morris and Mohan Manubhai Trivedi，“A Survey of Vision-Based Trajectory Learning and Analysis for Surveillance，”IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY，VOL.18，NO.8，AUGUST 2008，pp.1114-1127

[4]N.Sumpter and A.J.Bulpitt，“Learning spatio-temporal patterns for predicting object behavior，”Image Vis.Comput.vol.18，Jun.2000，pp.697-704

[5]H.Zhong，J.Shi，and M.Visontai，“Detecting unusual activities in video，”in Proc.IEEE Comp.Sci.Conf.Comput.Vis.Pattern Recognit.Jun.2004，vol.2，pp.819-826

[6]N.Johnson and D.Hogg，“Learning the Distribution of Object Trajectories for Event Recognition，”Image and Vision Computing，vol.14，no.8，1996，pp.609-615

[7]B.Morris and M.Trivedi，“Learning and classification of trajectories in dynamic scenes：A general framework for live video analysis，”in Proc.IEEE 5th Int.Conf.AVSS，Santa Fe，NM，USA，2008

[8]Yong Wang，Dianhong Wang，and Fenxiong Chen，“Abnormal Behavior Detection Using Trajectory Analysis in Camera Sensor Networks，”International Journal of Distributed Sensor Networks Volume 2014，pp.1-9