基于隐马尔可夫模型的视频异常场景检测

计算机工程与科学

基于隐马尔可夫模型的视频异常场景检测

李娟1，张冰怡1，冯志勇1，徐超2，张铮3

（1.天津大学计算机科学与技术学院,天津 300350;2.天津大学软件学院,天津 300350;
3.天津工业大学计算机科学与软件学院,天津 300387）

收稿日期:2016-01-06 修回日期:2016-03-29 出版日期:2017-07-25 发布日期:2017-07-25
基金资助:
国家自然科学基金（2008CB987656）

Anomaly detection based on hidden Markov model in videos

LI Juan1，ZHANG Bing-yi1，FENG Zhi-yong1，XU Chao2，ZHANG Zheng3

(1.School of Computer Science and Technology,Tianjin University,Tianjin 300350;
2.School of Computer Software,Tianjin University,Tianjin 300350;
3.School of Computer Science & Software Engineering,Tianjin Polytechnic University,Tianjin 300387,China)

Received:2016-01-06 Revised:2016-03-29 Online:2017-07-25 Published:2017-07-25

摘要/Abstract

摘要：

视频技术的广泛应用带来海量的视频数据，仅依靠人力对监控视频中的异常进行检测是不太可能的。异常行为的自动化检测在公共安全等领域的地位极其重要。提出一种综合考虑目标特性和时空上下文的异常检测方法，该方法利用光流纹理图描述移动物体的刚性特征，建立基于隐马尔可夫模型HMM的时间上下文异常检测模型。在此基础上，提取异常目标的Radon特征，以支持向量机SVM的异常预分类结果为基础，通过HMM建立异常场景的空间上下文分类模型。该模型在公共数据集UCSD PED2上进行了实验验证，结果表明，本算法不仅在异常检测方面优于已有算法，而且还能给出异常分类。

关键词: 刚体, 隐马尔可夫模型, 人群场景, 异常检测

Abstract:

Widely used video technology brings a large amount of video data, so it is impossible to detect abnormalities in surveillance video relying on human operators only. Automated abnormal events detection is extremely important for public safety. We propose an abnormal events detection approach with comprehensive consideration of target features and temporal-spatial context. The method exploits the texture of optical flows to describe the rigidity of moving objects. Then, we establish an abnormal events detection model of temporal context based on the hidden Markov model (HMM). Afterwards, radon features of abnormal events are extracted. We also establish the classification model of spatial context by using the HMM based on pre-classification results obtained by the support vector machine (SVM). Experimental results on public dataset—UCSD PED2 show that the performance of our method outperforms the existing algorithms in abnormal events detection and localization. Furthermore, our approach can classify abnormal events.

Key words: rigid, hidden Markov model, crowd scenes, abnormal events detection

李娟1，张冰怡1，冯志勇1，徐超2，张铮3. 基于隐马尔可夫模型的视频异常场景检测[J]. 计算机工程与科学.

LI Juan1，ZHANG Bing-yi1，FENG Zhi-yong1，XU Chao2，ZHANG Zheng3. Anomaly detection based on hidden Markov model in videos[J]. Computer Engineering & Science.

[1]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[2]	阳予晋, 王堃, 陈志刚, 徐悦, 李斌. 基于胶囊网络的异常多分类模型[J]. 计算机工程与科学, 2024, 46(03): 427-439.
[3]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.
[4]	尹春勇, 冯梦雪. 基于注意力机制的半监督日志异常检测方法[J]. 计算机工程与科学, 2023, 45(08): 1405-1415.
[5]	杨斌, 王敬宇, 刘世超, 邵明山, 肖伟, 陈起, 何晓斌, 刘卫国, 薛巍, . Beacon+：面向E级超级计算机的轻量级端到端I/O性能监控与分析诊断系统[J]. 计算机工程与科学, 2022, 44(09): 1521-1531.
[6]	何平, 李刚, 李慧斌, . 基于深度学习的视频异常检测方法综述[J]. 计算机工程与科学, 2022, 44(09): 1620-1629.
[7]	郭思雨, 王磊. 基于编译时插桩的浮点异常检测方法[J]. 计算机工程与科学, 2022, 44(06): 979-985.
[8]	王会举, 李孟萱, 黄卫卫, 周秋怡. 基于隐马尔可夫模型的多真值发现算法[J]. 计算机工程与科学, 2021, 43(03): 518-524.
[9]	王思齐, 胡婧韬, 余广, 祝恩, 蔡志平. 智能视频异常事件检测方法综述[J]. 计算机工程与科学, 2020, 42(08): 1393-1405.
[10]	夏火松, 孙泽林. 基于自编码器和集成学习的半监督异常检测算法[J]. 计算机工程与科学, 2020, 42(08): 1440-1447.
[11]	仇开1,2，姜瑛1,2. 加权LOF结合上下文判断的云环境中服务运行数据异常检测方法[J]. 计算机工程与科学, 2020, 42(06): 951-958.
[12]	尤诚诚, 冯旭鹏, 刘利军, 黄青松, . 基于主题模型的胸部X光片诊断报告异常检测方法[J]. 计算机工程与科学, 2020, 42(04): 741-748.
[13]	杨杰，张东月，周丽华，黄皓，丁海燕. 基于网格耦合的数据流异常检测[J]. 计算机工程与科学, 2020, 42(01): 25-35.
[14]	王腾1，焦学伟2，高阳2. 一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 计算机工程与科学, 2019, 41(12): 2217-2222.
[15]	张曼,於志文,郭斌,任思源,岳超刚. 一种基于快递大数据的异常检测系统[J]. 计算机工程与科学, 2019, 41(02): 224-232.