《基于条纹流的视频监控中人群模型的搭建》由会员分享，可在线阅读，更多相关《基于条纹流的视频监控中人群模型的搭建（3页珍藏版）》请在金锄头文库上搜索。
1、基于条纹流的视频监控中人群模型的搭建 张宏 同济大学软件学院 摘 要： 视频监控中人群流动模式与流体中粒子群的运动模式类似的, 将流体力学中的条纹流模型引人到视频监控领域, 可以有效的解决该领域存在的模型建立困难, 从而提高在视频监控中行为识别的正确率。关键词： 智能监控; 条纹流; 模型建立; 由于公共安全事件频发, 智能视频监控作为成为了当前的研究热点。但是由于视频监控场景特殊, 传统分割的方法无法真正的适用, 异常检测效率低下。通过对相关方法的研究和学习发现, 导致以上方法的缺陷的主要原因在于, 人群建模不完善, 产生冗余特征。因此, 本文提出了基于条纹流的模型打架方法, 从而找到有效的
2、特征, 从而最大程度提升视频监控当中的准确性。1 条纹流模型条纹流了粒子流动的特点, 如图 1 所示描述了人群的运动特征, 而流体中存在两个标量势函数 (流函数和速度势函数) 可以专门用来描述流体的流动特征, 人群流动行为中也同样存在这样的势函数。流函数可以作为空间异常检测的参考依据。速度势函数反映人群运动时间异常。2 条纹流条纹线的基础是光流, 直接使用光流计算会产生较大误差。我们引入一个新的运动流场条纹流。条纹流封装了流场在一段时间内的运动信息, 能够体现流动过程中较快的变化, 给定一组矢量数据, 某像素点的条纹流可以通过其邻接像素条纹流逼近, 计算公式参照公式 1。对集合中所有数据点分别
3、进行线性插值, 就可以得到一个线性系统方程 (公式 2) , 求解该系统的最小二乘解, 即可计算得到条纹流 F。其中, k i是邻接像素的序号, a j是已知的与第 j 个邻接像素对应的三角基函数。其中, 公式 2 中的 aj是矩阵 A 的元素;u s是线性系统的最小二乘解, 也是条纹流一个方向的速度。本项目提出使用格林函数法 (GFM) 计算势函数, 该方法简单易行, 计算方便。格林函数法以卷积运算为基础, 速度势函数和流函数具体计算过程参照公式 3 和 4。图 1:条纹流模型 下载原图图 2:ROC 曲线图 下载原图其中, r 是坐标矢量:r= (x, y) ;F (r) 表示矢量在位置
4、r处的速度:F (r) = (u, v) ;G (r-r) 表示格林函数。速度势函数和流函数都是标量函数。流函数提供了流场稳定无散的信息, 其对应的轮廓线 (流线) 可以优化运动区域分割的边界, 通过两者确定出感兴趣 (ROI) 的运动区域, 从而完成对于人群模型的拟合。3 实验验证实验主要将本文方法获取到的特征分别运用到不同的行为识别方法当中MDT、Adam, 利用 ROC 曲线来进行分析对比, 通过图 2 我们可以发现, 不论是在UCSD 数据集或者是在 UMN 数据集当中我们都的方法都可以有效的提高检测准确性, 但是在 UMN 数据集中, 我们的方法稳定性不高, 具有较大的波动, 为了探
5、究其原因我们需要更进一步的进行探索和研究。4 总结通过相关理论和实验数据的验证, 我们可以得出使用基于条纹流的模型可以最大限度的拟合出视频监控中的人群行为, 该方法对于视频检测中的人群特征提取有较好的作用, 可以普遍的提高监控视频当中对于人群行为的分析效果, 有效的提高人群行为识别的准确率。参考文献1Ali, S., Shah, M.:A Lagrangian Particle Dynamics Approach for Crowd Flow Segmentation and Stability Analysis.In:IEEE Conference on Computer Vision and Pattern Recognition, 2007) . 2V.Mahadevan, W.Li, V.Bhalodia, and N.Vasconcelos, “Anomalydetection in crowded scenes, ”in Proc.CVPR, 2010. 3E.S.I.R.D.Adam and A.Rivlin, “Robust real-time unusual event detection using multiple fixed-location monitors, ”IEEE Trans.Pattern Anal.Mach.Intell., 2008.
