李笑 徐一鸣 李林阳

摘  要：目前准确和快速地检测各种异常事件是视觉监控的主要目标，该文提出了一种基于光流相关分析的人群异常行为快速准确的检测方法，在标准数据集UMN和PETS 2009上进行实验。结果表明，该方法检测速度快，准确率达到了97.2%。此外，在适当的光照条件下，相关值的范围较大，反之相关值的范围较小。在实验验证的基础上，最佳阈值为0.75，可满足各种光照条件下的事件检测。

关键词：异常人群行为;光流相关分析;相关系数;最优阈值

中图分类号：TP391              文献标志码：A

0 引言

智能视频监控是当前研究的重点和难点之一，由于其广泛的应用而日益受到重视，但是定义异常的标准不统一，且生成的数据量很大[1]。在这里，异常被定义为人群中的突然分散或人群速度的突然变化。检测人群中的异常，有几种常用的方法，光流法是其中之一[2]。提出了一种用于光流矢量加权速度的算法，并介绍了发散中心检测和定位逃逸行为的发散中心的概念。与绩效指标模型[3]相比，文献[2]在绩效指标准确性和及时检测方面都有改进。在文献[4]中提出了一种基于对象的抽象和加速特征的新概念，其性能优于绩效指标模型，但局限性在于处理高密度人群的效果差。该文对光流进行了研究，对光学流矢量的幅度矩阵[5]进行了相关分析。光流矢量具有4个参数，根据实验估计了相关系数的阈值，并提出了一种新的方法来检测拥挤场景中的异常人群行为。

1 算法

人群异常行为检测的基本步骤有3个。1）对视频提取前景图像。2）检查所有阈值条件。3）判断是否发生异常事件[6]。在拥挤的地方人们的活动就会变少，逐帧变化的场景几乎没有发生太大变化，因此，连续帧之间具有很高的相关性，其梯度值将非常小。但当人群突然开始分散，帧的相关性将减小，那么连续帧之间的相关性的梯度值将增加。算法流程图如图1所示。

2 实验与分析

该文使用UMN数据集中的视频对提出的方法进行了評估。UMN包含3个不同场景的11个视频的组合，其中2个场景在光线充足的室外，而第3个场景在光照条件差的室内。这里以2种不同光照条件的场景为例，通过事件位置的随机处理，共生成了84个含事件的视频和28个非事件视频。所有模拟都是在8.00 GB RAM的3.40 GHz处理器的IntelCoreTMi7-6700 CPU上进行的。

视频1：视频的长度为21 s，包含625个帧。对视频1进行了二次采样，共156帧，其中625帧中帧间隙为4帧。图2为相关系数与帧数的关系图，从图中可以看出，两者在人群正常移动期间的相关性很高，但是在突然移动期间，相关性开始下降，一旦只剩下相当少的人，整个视场将不再有什么变化，此时相关系数的值很高。

视频2：从UMN数据集中提取，共包含6个视频，视频长度为32 s，共766帧，尺寸为320× 240。相关系数与帧数的关系图如图3所示。在正常运动期间，相关系数的值较高，并且随着与事件发生相对应的随机运动的开始，相关系数值的开始减小。随着事件的结束，再次增加。

在从UMN数据集和PETS 2009数据集生成的多个视频上，对该文提出的方法进行了评估。相关系数的值被认为是一个异常标准，在适当以及不适当的光照条件下，事件检测的阈值设为0.75。用接收机工作特性曲线（ROC）评估该方法的性能，AUC、精度、准确性和检测率等各种参数见表1。结果表明，该方法的平均检测率为97.61%。

在适当的光照条件下，通过改变阈值的方式可以使精度的变化范围在0.76～0.98，而在不适当的光照条件下，其变化范围在0.19～0.95。因此，选择0.75为最佳阈值。此时，2种光照条件下的准确度分别为0.98和0.95。由此可知，阈值0.75在任何光照条件下都是合适的。

3 结论

该文提出了一种基于光流相关性分析的人群异常行为检测方法。实验结果表明，与现有方法相比，该方法可以更准确、更快速地得出结果。连续帧的光流的相关系数，提供了非事件区域和事件区域的区分条件，可根据相关系数判断人群行为是否异常。在适当的光照条件下，相关系数的取值范围较大，而在不适当的光照条件下，相关系数的取值范围较小。最终得出在所有光照条件下的最佳阈值为0.75。

参考文献

[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]赵英，袁宏永，袁梦琦.人员密集场所人群行为突变的自动识别[J].清华大学学报（自然科学版），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]陈莹，何丹丹.基于贝叶斯融合的时空流异常行为检测模型[J].电子与信息学报，2019，41（5）：1137-1144.