CC BY
58Программные средства и информационные технологии
УДК 004.932.2
КЛАССИФИКАЦИЯ МЕТОДОВ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО ПОВЕДЕНИЯ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯХ
А. С. Пятаев
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Приведена классификация методов аномального обнаружения людей по видеопоследовательностям.
Ключевые слова: аномальное поведение, видеонаблюдение.
CLASSIFYING VIDEO BASED ANOMALOUS EVENT DETECTION
A. S. Pyataev
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
Various methods to detect abnormal behavior of people in complex and crowded scenes are considered.
Keywords: abnormal behavior, video surveillance.
В настоящее время массовое развертывание камер видеонаблюдения увеличило потребность в инструментах, выполняющих автоматический анализ потоков данных видеонаблюдения. Актуальной задачей является обнаружение аномальных событий на основе видеоданных в сложных и переполненных сценах, в частности на территориях аэропортов.
Под аномальными событиями понимаются события, которые происходят редко. Примеры аномальных событий показаны на рисунке. Такие события могут касаться как группы лиц, например, при паническом беге толпы, или при возникновении драки, так и отдельных людей (падение, движение на коленях, движение задом наперед и пр.). Существующие методы обнаружения аномального поведения по видеоданным можно условно разделить на две группы: траекторные методы (trajectory-based methods) и необъектные центрические методы (non-object centric methods).
Траекторные методы основаны на анализе отдельных движущихся объектов в сцене [1; 2]. Визуальное отслеживание выполняется для вычисления траекторий целей и изучается модель, описывающая типичные действия. Идентификация аномального события происходит, если полученные шаблоны целей существенно расходятся с моделью. Траекторные методы обычно опираются на две фазы. На первом этапе для оценки движения объектов и людей в сцене используются алгоритмы визуального отслеживания. Затем для построения статистических моделей, описывающих типичные действия, используются функции, представляющие траектории целей. На втором этапе действия, соответствующие траекториям, значительно отклоняющимся от изученной модели, идентифицируются как аномальные [3; 4].
В работе [5] траектории объектов моделируются с использованием функций плотности вероятности.
Ху и др. [6] разработали алгоритм отслеживания перемещений нескольких объектов для сбора траекторий, которые затем используются для изучения статистических распределений. Для обнаружения аномалий рассматриваются как пространственная, так и временная информация. Маркрис и Эллис [7] предложили использовать байесовский подход для обнаружения аномальных траекторий на основе семантики описываемой сцены. Цзян и др. [8] представили динамическую иерархическую кластерную структуру для группировки траекторий с использованием скрытых марковских моделей для представления каждой группы траекторий. В целом методы, основанные на анализе траекторий, гарантируют удовлетворительную производительность, когда объекты переднего плана легко обнаруживаются и отслеживаются, например, в помещении или если на сцене присутствуют несколько объектов. Такие методы не подходят для анализа сложных сцен. В случае плотной толпы, когда происходит перекрытие одних объектов другими, точность алгоритмов визуального отслеживания значительно ухудшается, поэтому в последнее время набирают популярность необъектные центрические методы [9]. Эти методы решают задачу обнаружения аномалий, с помощью анализа пространственно-временных шаблонов и сравнения признаков, полученных вручную на базе шаблонов внешности и траекторий движения. Обычно такие признаки строятся на основе гистограмм направленных градиентов (Histogram of Oriented Gradients - HOG), трехмерного пространственно-временного градиента и гистограмм оптического потока (Histogram Of Optical Flow - HOF). Однако использование определяемых пользователем признаков, является существенным ограничением этих подходов, а улучшенная производительность может быть получена путем анализа специфических дескрипторов сцены.
Решетневские чтения. 2017
в г
Примеры аномальных событий: панический бег (а); драка (б); велосипедист на пешеходной дорожке (в); автомобиль на пешеходной дорожке (г)
Таким образом, аномалиями на видеоизображениях считаются события, происходящие редко. Например, драка людей, падение человека или панический бег. Для детектирования аномального поведения возможно использование двух категорий методов: траек-торные методы и необъектные центрические методы.
References
1. Fu Z., Hu W., Tan T. Similarity based vehicle trajectory clustering and anomaly detection. IEEE International Conference on Image Processing (ICIP). 2005. Vol. 2. P. 602-605.
2. Piciarelli C., Micheloni C., Foresti G. Trajectory-based anomalous event detection. Transactions on Circuits and Systems for Video Technology. 2008. No. 18(11). P. 1544-1554.
3. Morris B., Trivedi M. Learning, modeling, and classification of vehicle track patterns from live video. IEEE Transactions on Intelligent Transportation Systems. 2008. No. 9(3). P. 425-437.
4. Piciarelli C., Foresti G. L. On-line trajectory clustering for anomalous events detection. Pattern Recognition Letters. 2006. Vol. 27 (15). P. 1835-1842.
5. Johnson N., Hogg D. Learning the distribution of object trajectories for event recognition. The British Machine Vision Conference. 1996. Vol. 14 (8). P. 609-615.
6. A system for learning statistical motion patterns / W. Hu [et al.] // Transactions on Pattern Analysis and Machine Intelligence. 2006. No. 28 (9). Pp. 1450-1464.
7. Makris D., Ellis T. Learning semantic scene models from observing activity in visual surveillance. IEEE Transactions on Systems, Man, and Cybernetics. 2005. No. 35 (3), Part B: Cybernetics. Pp. 397-408.
8. Jiang F., Wu Y., Katsaggelos A. K. A dynamic hierarchical clustering method for trajectory-based unusual video event detection. Transactions on Image Processing. 2009. No. 18 (4). Pp. 907-913.
9. Saligrama V., Chen Z. Video anomaly detection based on local statistical aggregate. Computer Vision and Pattern Recognition. 2012. P. 2112-2119.
© n^raeB A. C., 2017
