群體異常識(shí)別在線學(xué)習(xí)算法研究.pdf

1、隨著經(jīng)濟(jì)和社會(huì)的發(fā)展，城市人口密度越來(lái)越大，公共場(chǎng)所經(jīng)常會(huì)迎來(lái)人流高峰。在人員高密集公共場(chǎng)所容易發(fā)生一些大規(guī)模的群體事件，如得不到即時(shí)的處理，往往會(huì)釀成嚴(yán)重后果。如昆明火車站砍人事件，麥加朝圣踩踏事故和2015年元旦發(fā)生的上海外灘踩踏事故等。公共場(chǎng)所的異常檢測(cè)和即時(shí)預(yù)警顯得尤其重要且意義重大。但由于公共場(chǎng)合場(chǎng)景復(fù)雜多變，人群行為多種多樣等因素，群體異常識(shí)別充滿挑戰(zhàn)。如何在公共場(chǎng)所快速準(zhǔn)確的識(shí)別出異常行為，并及時(shí)預(yù)警已成為時(shí)下最為熱門的問(wèn)

2、題之一?，F(xiàn)有的一些群體異常識(shí)別算法大多是基于理想場(chǎng)景下進(jìn)行，且忽略在線學(xué)習(xí)與更新問(wèn)題，導(dǎo)致這些算法難以應(yīng)用到現(xiàn)實(shí)復(fù)雜的環(huán)境中。本文對(duì)群體異常識(shí)別算法進(jìn)行了一些有益的研究和探索，并對(duì)群體異常識(shí)別領(lǐng)域的在線學(xué)習(xí)問(wèn)題，進(jìn)行了深入地探索，主要研究和成果如下:
　　1:研究了基于稀疏表示的群體異常識(shí)別算法，引入過(guò)完備字典選擇算法，通過(guò)計(jì)算字典原子的相似度，刪除原子中相關(guān)度極大的原子，使得過(guò)完備字典在表達(dá)能力幾乎不變的情況下，最大程度的精簡(jiǎn)了

3、字典規(guī)模，減少了計(jì)算復(fù)雜度。通過(guò)引入原子權(quán)值，改進(jìn)原來(lái)的L1,2正則化范數(shù)約束，每個(gè)原子的權(quán)值由該原子被用來(lái)表示正常樣本的頻率決定。這使得原子自身具備了優(yōu)化能力，即被經(jīng)常使用的原子，在懲罰函數(shù)中的代價(jià)較低，也就意味著其在表示正常樣本時(shí)的置信度高。UMN庫(kù)以及自攝視頻集的實(shí)驗(yàn)結(jié)果表明，相對(duì)于固定字典，本文改進(jìn)的基于字典學(xué)習(xí)的群體異常識(shí)別算法能獲得更高稀疏度的稀疏系數(shù)，識(shí)別速度快，識(shí)別率更高，優(yōu)勢(shì)明顯。
　　2:針對(duì)稀疏表示群體異常算

4、法識(shí)別速度低，無(wú)法滿足實(shí)時(shí)識(shí)別的問(wèn)題，提出了基于混合高斯模型在線學(xué)習(xí)的群體異常識(shí)別算法，算法從異常行為的概念出發(fā):一個(gè)異常行為通常是一個(gè)偶然的，突變的;而正常行為是穩(wěn)態(tài)的，持續(xù)的。這恰與混合高斯模型前景提取模型的定義類似?；旌细咚鼓Ｐ蛯?duì)經(jīng)常發(fā)生的定義為背景，偶然出現(xiàn)的，變化迅速的定義為前景。因此本文將一個(gè)群體異常識(shí)別模型等價(jià)成一個(gè)混合高斯模型，通過(guò)改變混合高斯模型的參數(shù)，檢測(cè)滿足一定條件下激烈運(yùn)動(dòng)的前景數(shù)量和分布情況，結(jié)合時(shí)間軸信息，建

5、立異常行為時(shí)空模型，并通過(guò)時(shí)空模型來(lái)理解區(qū)域人群運(yùn)動(dòng)的變化。從而本文提出一種基于混合高斯模型的群體異常識(shí)別算法，該算法通過(guò)自適應(yīng)閾值的高斯背景提取模型提取視頻幀中滿足一定速度的敏感點(diǎn)，然后通過(guò)引入時(shí)間軸信息，建立行為的時(shí)空模型，并通過(guò)對(duì)時(shí)空模型中敏感運(yùn)動(dòng)點(diǎn)分布隨時(shí)間的變化分析，識(shí)別出群體異常類別。本文在算法中使用自適應(yīng)判斷閾值和動(dòng)態(tài)確定起始中心等，使得算法中的參數(shù)均通過(guò)學(xué)習(xí)獲得，從而實(shí)現(xiàn)了算法的在線學(xué)習(xí)與更新。在UMN庫(kù)以及自攝視頻集的

6、實(shí)驗(yàn)結(jié)果表明，該方法不僅能極快地識(shí)別出群體異常，快速分辯出異常類別（四散與群毆等），且能自適應(yīng)更新內(nèi)部閾值，在光照等噪音影響下保持較高的準(zhǔn)確率。
　　最后，對(duì)全文工作進(jìn)行全面總結(jié)，對(duì)兩個(gè)群體異常識(shí)別在線學(xué)習(xí)算法進(jìn)行了比較和分析，基于混合高斯模型的方法，對(duì)全局異常事件識(shí)別率高，能區(qū)分四散和群毆行為，在線更新速度快，能適應(yīng)場(chǎng)景快速變化，但對(duì)局部異常難以區(qū)分。基于稀疏表示的方法，不僅能較好地識(shí)別全局異常和局部異常，而且在線更新穩(wěn)定性高，