智能監(jiān)控中人群異常行為識別.pdf

1、針對傳統(tǒng)群體異常行為檢測實時性不高、運動目標(biāo)檢測不具有自適應(yīng)性、異常行為識別率較低的情況。本文根據(jù)國內(nèi)外最新的研究理論與成果，采用自適應(yīng)Vibe算法檢測運動目標(biāo)，結(jié)合基于加速分割的自適應(yīng)通用角點檢測算法和極限學(xué)習(xí)機(jī)分類算法對中小人群異常行為進(jìn)行檢測。同時采用GKLT算法和聚合度檢測算法，對高密度群體行為進(jìn)行了分析與仿真。本文具體的工作內(nèi)容如下：
　　一、改進(jìn)的自適應(yīng)Vibe算法。改進(jìn)的Vibe算法跟傳統(tǒng)的Vibe算法在背景檢測與背

2、景更新方面并沒有太大區(qū)別，但是本文重點改進(jìn)了Vibe算法中運動目標(biāo)像素的識別過程。傳統(tǒng)的Vibe算法采用固定閾值對運動目標(biāo)像素進(jìn)行判定，固定閾值對于環(huán)境的變化并沒有做出適當(dāng)?shù)脑黾踊驕p小，這就導(dǎo)致當(dāng)遇到復(fù)雜環(huán)境時傳統(tǒng)Vibe算法檢測結(jié)果模糊，簡單的環(huán)境時則效果較好。針對以上問題本文采用自適應(yīng)的閾值進(jìn)行判定，分別記錄背景模型中像素與當(dāng)前檢測像素的最小歐式距離。通過處理記錄的最小歐式距離之后，固定閾值R將會隨著環(huán)境的復(fù)雜程度相應(yīng)的增大或減小。

3、最后利用改進(jìn)的運動檢測算法與碼本模型和傳統(tǒng)的Vibe模型進(jìn)行對比。
　　二、自適應(yīng)通用角點算法。FAST角點提取算法采用ID3貪心算法構(gòu)造決策樹，這可能會導(dǎo)致決策樹限于局部最優(yōu)，另外FAST角點提取算法使用的是三叉樹，但是角點提取涉及的是二元目標(biāo)，所以針對以上問題，我們使用合并的兩個二叉樹代替FAST角點提取算法中的三叉樹。
　　三、極限學(xué)習(xí)機(jī)分類算法。針對異常情況識別率低，實時性不高的問題，本文采用極限學(xué)習(xí)機(jī)算法對提取的四

4、種特征進(jìn)行學(xué)習(xí)和分類。并且與隱性馬爾科夫分類算法和SVM分類算法進(jìn)行對比，試驗表明ELM算法的識別率較對比文獻(xiàn)中的分類法具有更高的識別率和實時性。
　　四、高密度群體行為分析。利用GKLT算法跟蹤高密度人群，記錄特征點的位置與速度，再結(jié)合聚合度檢測算法，可以檢測出人群中有哪些團(tuán)體的運動方向是一致的，并且用相同的顏色表示，對于不同方向的團(tuán)體，則用不同顏色表示。該算法能夠有效幫助監(jiān)控人員在高密度的群體中直觀的看出具有相同運動方向的人群