基于轨迹分析的行人异常行为识别

计算机工程与科学

基于轨迹分析的行人异常行为识别

胡瑗1，夏利民1，王嘉1,2

（1.中南大学信息科学与工程学院，湖南长沙 410000;2.国防科技大学训练部，湖南长沙 410073）

收稿日期:2016-04-07 修回日期:2016-09-14 出版日期:2017-11-25 发布日期:2017-11-25
基金资助:
国家自然科学基金(50808025)

Abnormal pedestrian behavior recognition

based on trajectory analysis

HU Yuan1，XIA Li-min1，WANG Jia1,2

（1.School of Information Science and Engineering,Central South University,Changsha 410000;

2.Training Department,National University of Defense Technology,Changsha 410073,China）

Received:2016-04-07 Revised:2016-09-14 Online:2017-11-25 Published:2017-11-25

摘要/Abstract

摘要：

提出一种基于轨迹分段主题模型的异常行为检测方法。为了解决跟踪偏差引起的轨迹不连续问题，首先使用模糊聚类算法对所有的轨迹进行全局聚类，然后对每一类轨迹采用分段采样的方式对段内轨迹点使用主题模型LDA进行局部聚类；以最大概率的轨迹点作为视觉单词，每类轨迹表示成一系列视觉单词的集合，在此基础上建立局部隐马尔科夫模型HMM；最后通过轨迹匹配的方法进行异常轨迹识别。在CAVIAR数据库上的实验结果表明，该算法能识别多种异常行为，提高了异常行为检测的准确率。

关键词: 模糊聚类, 主题模型LDA, 局部隐马尔科夫模型, 异常轨迹

Abstract:

We present a novel abnormal behavior detection method based on trajectory segment and topic model. In order to solve the problem of trajectory discontinuity caused by track deviation, all trajectories are firstly clustered by the fuzzy clustering algorithm, and then the sampling points of each segment of trajectory class are clustered by the latent Dirichlet allocation (LDA) topic model. The point of maximum probability is used as the visual word, and each trajectory class is represented by a series of visual words. In this sense, the local hidden Markov model (HMM) is established between every two visual words to detect abnormal trajectories through the matching path method. Experimental results show that the proposed method can identify a variety of abnormal behavior, and improve the accuracy of abnormal behavior detection in CAVIAR database.

Key words: fuzzy clustering, topic model latent Dirichlet allocation (LDA), local hidden Markov model (HMM), abnormal trajectory

胡瑗1，夏利民1，王嘉1,2. 基于轨迹分析的行人异常行为识别[J]. 计算机工程与科学.

HU Yuan1，XIA Li-min1，WANG Jia1,2.

Abnormal pedestrian behavior recognition

based on trajectory analysis

[J]. Computer Engineering & Science.

[1]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[2]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[3]	任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学, 2019, 41(05): 858-864.
[4]	邵俊健，王士同. 高维数据的增量式聚类算法的距离度量选择研究[J]. 计算机工程与科学, 2019, 41(02): 214-223.
[5]	文传军1，汪庆淼2. 多路径高斯核模糊C均值聚类算法[J]. 计算机工程与科学, 2018, 40(05): 931-937.
[6]	文传军1，汪庆淼2. 广义多变量模糊C均值聚类算法[J]. 计算机工程与科学, 2017, 39(11): 2153-2160.
[7]	赵佳，王士同. 创意FCM算法[J]. 计算机工程与科学, 2017, 39(02): 385-392.
[8]	刘汉强,郑朋. 局部搜索自适应核模糊聚类方法[J]. 计算机工程与科学, 2016, 38(08): 1735-1740.
[9]	孙寿伟1,钱鹏江1,胡凌志2,苏冠豪3,Raymond F. Muzic,Jr3. 迁移模糊聚类在医学PET/MRI快速衰减校正中的应用[J]. J4, 2016, 38(04): 775-784.
[10]	黄卫春，刘建林,熊李艳. 基于样本-特征加权的可能性模糊核聚类算法[J]. J4, 2014, 36(01): 169-175.
[11]	黄闽英，牟锐. 对模糊聚类分析法的改进及其在SRM中的应用[J]. J4, 2011, 33(6): 144-149.
[12]	姜占才1,2,孙燕3,姚刚1. 模糊聚类与LBG级联的VQ算法[J]. J4, 2011, 33(5): 155-159.
[13]	来跃深,马天明,田军委. 基于直方图相关性约束的快速多阈值FCM图像分割算法[J]. J4, 2011, 33(4): 102-106.
[14]	蒋德珑1,2，李〓盛3，王克文1，付金光1. 模糊聚类分析系统的研究与实现[J]. J4, 2011, 33(12): 121-125.
[15]	王淼，凌捷，郝彦军. 电子政务系统安全域划分技术的研究与应用[J]. J4, 2010, 32(8): 52-55.