方 凯，刘玉鑫，杨恩泽，刘硕研

（中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081）

针对公共场所进行群体异常行为检测对维护公共安全和保障人民群众的生命和财产安全具有重要意义[1]。然而，公共场所存在环境复杂、人员光线易遮挡等问题。如何准确地检测到异常情况，成为亟需解决的问题。目前，有两种主要的研究思路[2-4]，一种是通过描述人群运动行为来判断是否存在异常情况，例如，文献[3]提出了基于agent 的行人行为模型，该模型通过分析行人的目的地和社会关系对其异常运动情况进行简单而有效地估计；文献[4]通过研究群体的集体性来衡量人群运动的异常情况。另一种研究思路[5-8]是通过使用统计学习模型，将不经常出现的行为定义为异常行为，Ching 等人[5]提出利用分裂聚类方法，挖掘群体运动异常情况；Almeida 等人[6]提出了一种基于世界坐标系中运动矢量的群体运动行为变化检测方法；Roshtkhari 等人[7]提出了一种实时学习方法，使用时空合成来检测视频中的异常；Mehran 等人[8]试图基于领域知识，建立具有特定特征的层次模型，提出使用社会力模型来检测基于粒子平流光流场的异常行为。

统计学习模型具有数据描述灵活、模型泛化能力强等特点，已逐渐成为目前异常行为检测的主流算法。然而，异常行为的训练样本数量较少，使得基于该模型的算法检测准确率较低。研究发现，人群的正常行为是其动作遵守一定的运动转换规律形成的，而异常行为则不遵守任何转换规律。……