基于光流能量的人体异常行为检测研究

罗超宇李小曼李浩

(1 武警工程大学研究生管理大队 陕西 西安 710086)（2 武警工程大学信息工程教研室 陕西 西安 710086）

技术论坛

基于光流能量的人体异常行为检测研究

罗超宇1李小曼2李浩1

(1 武警工程大学研究生管理大队 陕西 西安 710086)（2 武警工程大学信息工程教研室 陕西 西安 710086）

研究并比较了当前常用的3种异常行为检测算法，分析了的各算法的研究现状，介绍了当前光流能量用于异常行为检测技术中的研究进展，提出一种基于区域光流能量的人体异常行为检测算法。采用Lucas-Kanade算法计算区域光流特征，实现对视频中打斗等剧烈异常行为的检测。仿真实验表明，算法具有较高的识别率和较低的误检率，具有一定研究意义。

光流能量 区域光流 Lucas-Kanade 打斗 误检率 异常行为

1 引言

随着计算机技术的不断发展，视频监控已经遍布于生活中的各个角落。人们通过监控视频可以及时发现异常行为，比如抢劫、偷盗和越狱等等。但目前人们对监控视频的使用主要靠人工进行识别，这种识别办法准确率很高，但是监控人员受到生理因素限制，不可能随时保持高度警惕，因而及其容易发生误报和漏报的现象。发生这样的问题之后，只能从海量的视频数据库中慢慢查找，费时又费力。因此，众多专家和学者开始致力于计算机“主动”识别监控视频中出现的异常行为，第一时间识别出监控画面中的异常，为人们提供级别更高的安全保障[1]。计算机能够在全天任何时刻监控画面的异常，提高准确率的同时，节省了大量的人力和物力，最重要的是避免一些暴力及犯罪事件的发生。

2 光流法的应用

2.1 异常行为的研究现状分析

目前，对异常行为的分析判定主要使用3种方法:①基于人体运动特征的检测，这种方法的关键是提取前景目标的运动特征，如速度、方向轮廓和外接矩形紧密度等，然后根据不同行为之间的特征差异来识别出是否为异常行为。这种方法具有较高的准确度，但具体采用的特征描述不易确定，算法的复杂度较高[2]；②基于前景目标运动轨迹的检测方法，该方法的关键是提取出目标的运动轨迹，根据具体的场景来判定轨迹是否异常，进而得出行为异常与否的结论。这种方法主要使用在特定的场景中，如取款机门口或停车场附近等等，具有一定局限性，算法的复杂度低，但精度较差[3]；③基于光流能量异常行为检测，该方法是近期的研究热点，其关键是通过提取前景目标的光流特征来检测是否出现异常。由于不同运动目标的光流特征不同，当超出一定阈值之后说明出现了异常情况[4]。由于光流能量法检测出的是运动物体的三维信息，因此，即使检测过程中物体发生了较大的变化，仍能准确检测出物体的存在。该方法主要用于对视频场景中运动激烈异常行为进行检测，如突然奔跑和打斗等。

由上述介绍可知，异常行为的检测方法不是一成不变的，应该根据场景的不同，采用不同的检测算法。根据本文研究的异常行为是打斗行为，因此提出一种基于区域光流能量的方法对打斗等剧烈异常行为进行检测。

2.2 光流法

光流法(optical flow)利用任何物体都具有光流特征的特点，来检测运动物体。该方法通过计算运动物体的光流矢量特征来检测出其运动区域，进而描述出前景目标的运动状态[5]。具体过程为：①为视频帧中的每一个像素设置运动矢量；②间隔一定时间后，视频帧中的目标发生运动，将物体实际的像素点与原像素点进行连接来形成“速度场”；③根据“速度场”的具体情况来检测视频中前景目标的状态。

根据上面的介绍，当视频帧中都是静止的物体时，前景目标与背景图不存在相对运动，因此光流速度场是持续变化的；当视频帧中存在相对运动时，前景目标与背景图之间存在相对运动，进而形成“速度场”，这样就可以检测出视频帧中前景目标的具体位置。

2.3 光流约束方程

光流约束方程式光流法最核心的方程。

设在点（x,y）在时刻t时，灰度值为f(x,y,t)，经过dt时间，该点位于(x+dx,y+dy)，灰度值变为f(+dx,y+dy,t+dt)，根据同一个点的灰度值不变得出：

2.4 区域光流的计算

异常行为一般发生在有运动目标的区域，利用这一特点，在提取关键帧时，可以先设定一个阈值（取经验值50%），当前景区域大于这一阈值时认为是噪声，不予考虑，极大程度的减少了运算量，提高了算法的时效性。

式（3）为光流估计误差的计算公式，式中W（x）为窗函数，表示计算区域中各点权重的大小。Lucas-Kanade算法在光流估计的精度上有很大提高，并且算法复杂度也适合应用于实时性检测的系统。

3 光流能量法的应用

3.1 异常行为

对于异常行为的定义，国际上一直没有一个统一的概念。相同的行为在不同的场景可能会出现不同的识别结果，如在操场上跑步为正常行为，但在银行大厅里跑步通常被视为异常行为；还有的根据正常行为通常具有一定的周期性来区别于异常行为，如人体在走路或者跑步的时候通常其特征指标在一定的阈值范围内，但如果突然超出这一阈值并持续一段时间，那么可以认为有异常行为发生；还有的学者将正常的行为录入数据库中，当识别出不常见的小概率行为时，判定为异常[7]。

异常行为通常具有行为夸张、方向杂乱和动作幅度大的特点；而正常行为通常是较为稳定的行为，动作方向较为一致，因此异常行为通常具有较大的交互能量，而正常行为则较小。本文基于这一思想，通过求取前景运动物体的光流能量变化来识别出是否有异常行为发生。

3.2 检测结果及分析

为验证本文算法在异常行为检测中的有效性，采用英国Edinburgh大学的数据库对算法进行验证。选取的视频段主要包括行走、聊天、跑步和打斗4种行为。实验配置为Inter Pentium 4处理器，Windows XP系统，内存为DDR3的笔记本电脑；仿真环境为Visual Studio 2005；视频大小为320*240，帧频率为25 fps。

正常行为与异常行为对比如图1所示。图1（a）中左侧图像为第179帧两人相向行走，右侧为第213帧两人发生肢体冲突的图像，从图中可以看出，在一定距离中前景目标由2个合为一个，发生了图像目标融合；图1（b）为图1（a）中对应的前景目标的能量图，其中不同的颜色代表身体各部分的能量值不同；图1（c）是对应的能量直方图，从直方图中更直观的显示出当两人发生打斗行为时，出现一个显著的能量增加，明显超出正常的范围。

图1 正常行为与异常行为对比图

可以得出当视频图像中有异常行为发生时图像的幅值能量图将发生显著变化，进而证明本文算法的有效性。

表1 打斗等4种行为的实验结果

从实验结果表明：打斗行为能够较准确的检测并报警，但存在一定的误检现象，这可能是与实验中设定的光流能量阈值有关；对聊天行为和行走行为没有误检，说明了实验算法的有效性。

4 结束语

分析了国内外对视频异常行为检测技术的研究现状，指出了基于光流能量的异常行为检测技术的应用前景和重要性，介绍了光流法的计算流程及应用与异常行为检测技术中的可行性，最后用实验验证了本文算法的有效性，具有一定的理论意义。

[1]DICKINSON P,HUNTER A,APPIAH K.A Spatially Distributed Modelfor Foreground Segmentation[J].Image and Vision Computing,2009,27(9):1326-1335.

[2]WAN Cheng-kai,YUAN Bao-zong,MIAO Zhen-jiang.A Moving Object Segmentation Algorithm for Static Camera Via Active Contours and GMM[J].Sci China Ser F-inf Sci, 2009,52(2):322-328.

[3]DAVIS J W,BOBICK A F.The Representation and Recognition of Human Movementusing Temporal Templates [C].Proceedings of IEEE Conference on Computer Visionand Pattern Recognition,1997:928-934.

[4]吴艳平,崔宇,胡士强,基于运动图像序列的异常行为检测检测[J].计算机应用研究,2010,27(7):189-192.

[5]叶璐,郭立,刘皓.通信技术[J].2014,476(1):84-87.

[6]段晶晶,高琳,范勇,等.基于KOD能量特征的群体异常行为检测算法[J].计算机应用研究，2013,30(12):166-170.

[7]岳猛，郭春生.基于DMC-HMM，模型的异常行为检测[J].杭州电子科技大学学报，2014,34（3）：129-134.

Research on Human Abnormal Behavior Detection Based on Optical Flow Energy

LUO Chao-yu1LI Xiao-man2LI Hao1
(1 Graduate Management Team,Engineering University of CAPF,Xi’an Shaanxi 710086,China)
(2 Information and Engineering Teaching-Research Office,Engineering University of CAPF,Xi’an Shaanxi 710086,China)

This paper studies and compares three commonly-used kinds of abnormal behavior detection algorithms,analyzes their research status,introduces the research progress of optical flow energy used in abnormal behavior detection technology,proposes a human abnormal behavior detection algorithm based on regional optical flow energy.The Lucas-Kanade algorithm is used to calculate the regional optical flow characteristics and realize the severe abnormal behavior detection in the video such as fighting.The simulation test shows that the algorithm has such features as higher recognition rate and lower false detecting rate and presents certain research significance.

optical flow energy;regional optical flow;Lucas-Kanade;fight;false detecting rate;abnormal behavior

TP391

A

1008-1739（2014）21-71-3

定稿日期：2014-10-12