利用光流相關分析檢測異常人群行為

李笑 徐一鳴 李林陽

摘? 要：目前準確和快速地檢測各種異常事件是視覺監控的主要目標，該文提出了一種基于光流相關分析的人群異常行為快速準確的檢測方法，在標準數據集UMN和PETS 2009上進行實驗。結果表明，該方法檢測速度快，準確率達到了97.2%。此外，在適當的光照條件下，相關值的范圍較大，反之相關值的范圍較小。在實驗驗證的基礎上，最佳閾值為0.75，可滿足各種光照條件下的事件檢測。

關鍵詞：異常人群行為;光流相關分析;相關系數;最優閾值

中圖分類號：TP391? ? ? ? ? ? ? 文獻標志碼：A

0 引言

智能視頻監控是當前研究的重點和難點之一，由于其廣泛的應用而日益受到重視，但是定義異常的標準不統一，且生成的數據量很大[1]。在這里，異常被定義為人群中的突然分散或人群速度的突然變化。檢測人群中的異常，有幾種常用的方法，光流法是其中之一[2]。提出了一種用于光流矢量加權速度的算法，并介紹了發散中心檢測和定位逃逸行為的發散中心的概念。與績效指標模型[3]相比，文獻[2]在績效指標準確性和及時檢測方面都有改進。在文獻[4]中提出了一種基于對象的抽象和加速特征的新概念，其性能優于績效指標模型，但局限性在于處理高密度人群的效果差。該文對光流進行了研究，對光學流矢量的幅度矩陣[5]進行了相關分析。光流矢量具有4個參數，根據實驗估計了相關系數的閾值，并提出了一種新的方法來檢測擁擠場景中的異常人群行為。

1 算法

人群異常行為檢測的基本步驟有3個。1）對視頻提取前景圖像。2）檢查所有閾值條件。3）判斷是否發生異常事件[6]。在擁擠的地方人們的活動就會變少，逐幀變化的場景幾乎沒有發生太大變化，因此，連續幀之間具有很高的相關性，其梯度值將非常小。但當人群突然開始分散，幀的相關性將減小，那么連續幀之間的相關性的梯度值將增加。算法流程圖如圖1所示。

2 實驗與分析

該文使用UMN數據集中的視頻對提出的方法進行了評估。UMN包含3個不同場景的11個視頻的組合，其中2個場景在光線充足的室外，而第3個場景在光照條件差的室內。這里以2種不同光照條件的場景為例，通過事件位置的隨機處理，共生成了84個含事件的視頻和28個非事件視頻。所有模擬都是在8.00 GB RAM的3.40 GHz處理器的IntelCoreTMi7-6700 CPU上進行的。

視頻1：視頻的長度為21 s，包含625個幀。對視頻1進行了二次采樣，共156幀，其中625幀中幀間隙為4幀。圖2為相關系數與幀數的關系圖，從圖中可以看出，兩者在人群正常移動期間的相關性很高，但是在突然移動期間，相關性開始下降，一旦只剩下相當少的人，整個視場將不再有什么變化，此時相關系數的值很高。

視頻2：從UMN數據集中提取，共包含6個視頻，視頻長度為32 s，共766幀，尺寸為320× 240。相關系數與幀數的關系圖如圖3所示。在正常運動期間，相關系數的值較高，并且隨著與事件發生相對應的隨機運動的開始，相關系數值的開始減小。隨著事件的結束，再次增加。

在從UMN數據集和PETS 2009數據集生成的多個視頻上，對該文提出的方法進行了評估。相關系數的值被認為是一個異常標準，在適當以及不適當的光照條件下，事件檢測的閾值設為0.75。用接收機工作特性曲線（ROC）評估該方法的性能，AUC、精度、準確性和檢測率等各種參數見表1。結果表明，該方法的平均檢測率為97.61%。

在適當的光照條件下，通過改變閾值的方式可以使精度的變化范圍在0.76～0.98，而在不適當的光照條件下，其變化范圍在0.19～0.95。因此，選擇0.75為最佳閾值。此時，2種光照條件下的準確度分別為0.98和0.95。由此可知，閾值0.75在任何光照條件下都是合適的。

3 結論

該文提出了一種基于光流相關性分析的人群異常行為檢測方法。實驗結果表明，與現有方法相比，該方法可以更準確、更快速地得出結果。連續幀的光流的相關系數，提供了非事件區域和事件區域的區分條件，可根據相關系數判斷人群行為是否異常。在適當的光照條件下，相關系數的取值范圍較大，而在不適當的光照條件下，相關系數的取值范圍較小。最終得出在所有光照條件下的最佳閾值為0.75。

參考文獻

[1]Li T，Chang H，Wang M，et al.Crowded Scene Analysis： A Survey[J].IEEE Transactions on Circuits & Systems for Video Technology，2015，25（3）：367-386.

[2]Chen C Y，Shao Y.Crowd Escape Behavior Detection and Localization Based on Divergent Centers[J].IEEE Sensors Journal，2015，15（4）：2431-2439.

[3]趙英，袁宏永，袁夢琦.人員密集場所人群行為突變的自動識別[J].清華大學學報（自然科學版），2015（2）214-217.

[4]Chen C Y，Shao Y.Crowd Escape Behavior Detection and Localization Based on Divergent Centers[J].IEEE Sensors Journal，2015，15（4）：2431-2439.

[5]Bai L，Velichko A，Drinkwater B.Ultrasonic characterization of crack-like defects using scattering matrix similarity metrics[J].IEEE Transactions on Ultrasonics Ferroelectrics & Frequency Control，2015，62（3）：545-559.

[6]陳瑩，何丹丹.基于貝葉斯融合的時空流異常行為檢測模型[J].電子與信息學報，2019，41（5）：1137-1144.