所提方案在传统解析字典算法基础上,加入局部拓扑项用以描述数据之间的结构信息,同时用l_(1/2)范数代替l1范数作为稀疏约束,从而提高表示系数的稀疏度。在特征提取上,融合了包含丰富运动信息的相互作用力直方图与包含纹理信息的梯度方向直方图,然后用改进的字典对特征数据进行训练,最后通过计算测试样本在该字典下的重构误差来判断测试样本是否为异常样本。在标准行为库UMN(University of Minnesota)数据库上进行的实验证实了算法具有较高的性能。与传统的算法相比,提出的改进的解析字典分类算法在针对人群异常事件中取得了更为有效的检测。
针对目前视频监控技术在保障公共安全方面的作用越来越重要这一现状,提出一种新的视频异常检测方法。首先在对视频的特征提取上,创新性地提出一种基于区域最值的稠密光流直方图描述符(Densely Sampled Maximum and Minimal Histogram of Optical Flow,Dense MHOF),该方法的主要思想是通过选取一定区域范围内多个光流直方图各个方向的最大与最小光流幅值来表征该区域的运动特征,从而实现对人群运动信息的有效表征。在字典构建上,有别于被其他文献广泛使用的综合字典学习方法,采用更具灵活性的解析字典学习,通过对正常事件的学习获得稀疏字典,随后计算测试样本在该字典下的重构误差来判断测试样本的正常与否。在标准异常行为库进行的实验表明,与目前几种经典方法相比,该文提出的方法取得了较好的性能。
人群异常事件检测是智能视频监控中的重要研究内容,本文提出一种新的融合时空特征的异常行为检测算法。首先提取显著性信息作为空间域特征,采用高精度的光流算法,结合社会力模型计算相互作用力作为时域特征;提出一种新的运动信息特征描述子——相互作用力直方图(HOIF),将其与显著性信息特征相融合送入支持向量机(SVM)进行学习训练,从而对人群事件进行分类。在UMN(University of Minnesota,Twin Cities)数据库上对本文算法有效性进行了验证。实验结果表明,该算法在检测正确率及鲁棒性上要优于其他算法。
