郝 羽，刘 颖，范九伦，许志杰

(1.西安邮电大学 通信与信息工程学院,陕西 西安 710121; 2.英国哈德斯菲尔德大学 计算机学院,哈德斯菲尔德 HD1-3DH)

出于保障公共安全的需要，监控摄像头被广泛安装于火车站、广场和商业中心等人群密度较高的公共场所中。由于异常事件的发生概率较低，监控人员的传统方式很容易因为疲倦、疏忽等因素无法及时实现对恐慌逃散、群体踩踏等具有较高威胁性群体行为的检测与预警。通过设计一个有效的视频分析方法以实现对群体异常行为的检测，能够有效避免使用人力检测的缺陷。近年来，基于传统方法和机器学习的个体行为分析方法已得到了较为深入的研究。群体异常行为分析的流程与个体行为分析方法类似，分为数据获取与预处理、特征提取与建模和群体行为分类与识别等3个主要步骤。由于影响群体行为的因素与特征的独特性，群体异常行为分析每个步骤所面临的问题与个体行为分析截然不同。

在数据获取与预处理步骤中，主要对群体视频数据进行收集，并对数据进行预处理，以便在之后的特征提取或分类识别步骤中用于模型学习或行为类型的判断。但是，用于群体行为识别的标准视频数据集非常有限。个体行为识别的标准数据集可选范围较广，常用的有瑞典皇家科学院(Välkommen till，KTH)数据集[1]、Weizmanm[2]、Hollywood[3]、中佛罗里达大学(University of Central Florida，UCF)数据集[4]和大型人类动作数据集(HMDB51)[5]等。这些数据集中的视频数据具有动作分类清楚、动作种类较多、数据标记信息完善和视频质量较高等特点，在个体行为识别的研究中得到了较广泛的引用。……