基于景区视频的异常事件检测系统的设计与实现

2018-09-20林青有

价值工程 2018年28期

林青有

摘要：随着全球经济的不断发展和世界人口的不断增涨，如在景区等人口密集场合，较容易受到突发事件的影响，产生人群拥挤和踩踏等事件。若景区视频监控可以进行智能检测，自动发出警报，通知相关部门采取相应的措施，不仅可以节省较多的人力物力，而且能够更加准确高效地应对异常事件。因此，基于景区视频的异常事件检测系统的研究成为人们关心和探索的问题。本文设计并实现了基于景区视频的异常事件检测系统。

Abstract： With the continuous development of the global economy and the continuous increase of the world population， in densely populated areas such as scenic spots， it is more susceptible to sudden events， resulting in crowding and trampling. If the scenic area video surveillance can be intelligently detected， an automatic alarm will be issued to inform the relevant departments to take corresponding measures， which not only saves more manpower and material resources， but also can respond to abnormal events more accurately and efficiently. Therefore， the research of anomalous event detection system based on scenic video has become a concern and exploration. This paper designs and implements an anomaly event detection system based on scenic video.

關键词：旅游；异常事件；光流法；社会力模型；灰度共生矩阵

Key words： tourism；anomalous events；optical flow method；social force model；gray level co-occurrence matrix

中图分类号：TP391.4 文献标识码：A 文章编号：1006-4311（2018）28-0228-03

0 引言

随着现今社会的高速发展，世界人口增长速度越来越快，人群踩踏致多人受伤死亡的事故就频有发生。智能视频监控在功能和检测作用上体现了其潜在的巨大经济价值，并且在公共安全方面体现了重要作用。为此，世界各国都进行了相关的探索和研究，并开发出了各种不同的视频监控系统。

肖儿良[1]开发的基于MJPG_Streamer的智能视频监控系统能进行实时的、远程的监控，同时能够快速对入侵目标进行语音报警。

基于视频的人群行为综合分析与高密度人群的多类特征提取分析[2，3，4]，成为智能视频监控系统的一个重要方法，并且在各个领域中有着较大需求。视频监控中行人的行为分为三类：个人行为、小群体行为和高密度群体行为[5]。在设计基于视频的人群行为分析系统时，如果上述行为在现实场景中被正确的分析和预测，则较多重要的社会生活应用即可被实现。例如本文所设计的基于景区视频的异常事件检测系统，当在场景中人流量较大时，则发现异常事件的概率会上升。若人群出现四散，移动速度加快，则有可能是异常事件导致。通过景区视频异常检测系统[6，7，8]，可以减少发生人群踩踏等异常事件时的疏散时间，及时管理和疏导人群，减少经济损失。

1 系统总体架构分析设计

本系统为管理者提供了基于景区视频的前景检测、灰度共生矩阵特征提取、人群密度估计、SVM训练和异常事件检测功能，协助管理者监测景区状况，在一定程度上满足了管理者的需求。

基于景区视频的异常事件检测系统能有效地为使用者提供基于景区视频的人群密度估计和异常事件检测的基本功能。因此，本系统设计了以下几个模块：前景检测模块、人群密度估计模块、异常检测训练SVM模块和异常检测模块，以实现基于景区视频的人群密度估计和基于景区视频的异常事件检测功能。系统的功能结构图如图1所示。

系统的主要功能介绍如下：

①前景检测模块：前景检测模块中共有4个按钮：视频读入、单帧检测、保存检测结果和连续多帧检测，当单击视频读入窗口时可弹出对话框，选取用于前景检测的视频文件。单帧检测则使用高斯混合模型，对图像进行前景提取，每单击一次，则进行一帧图像的检测。

②人群密度估计模块：人群密度估计模块中主要进行训练SVM1和对数据进行测试，灰度共生矩阵特征提取按钮用于提取前景检测后的灰度共生矩阵特征，并将结果在共生矩阵信息中显示。在提取特征后，开始训练SVM1之前，需要选择其核函数，可通过下拉菜单实现。在选择好核函数后，则可以开始训练SVM1，并可通过单击保存SVM按钮将训练得到的SVM网络进行保存，点击保存SVM按钮时，弹出与保存检测结果类似的对话框，用于输入保存SVM1的文件名称。

③异常检测训练SVM模块：该模块主要用于视频的异常检测SVM训练，分别有低密度和高密度人群下的异常检测SVM模块训练和保存功能。该模块主要有：训练数据选择按钮（低密度和高密度），选择核函数按钮，保存SVM（低密度和高密度）按钮，开始识别按钮和保存SVM按钮。低密度和高密度异常检测SVM训练需要分别进行，但是操作过程类似。都是在选择训练数据后，再手工选择训练所用的核函数，并通过下拉菜单实现。在选择好核函数后，便可以开始训练SVM，并通过单击保存SVM按钮将训练得到的SVM网络进行保存，点击保存SVM按钮时，弹出与保存检测结果类似的对话框，用于输入保存SVM的文件名称，不同密度人群的SVM需要分别命名。

④异常检测模块：该模块主要用于视频的异常检测，其可以手工输入用于判断异常事件的阈值。该模块主要有：测试数据选择按钮，选择SVM（密度估计）按钮，选择SVM（低密度）按钮，选择SVM（高密度）按钮，开始识别按钮和保存数据按钮。在选择测试数据后，需要手工选择训练好的SVM，分别为SVM1，SVM2（两个，一个是低密度异常检测时使用，另一个为高密度异常检测时使用）。在选择好SVM后，需要设置阈值，本系统默认值为0.4，随后进行异常事件检测，最终将所以图像提取的特征，实驗结果等保存为mat文件。

2 系统实现

本文所设计的基于景区视频的异常事件检测系统在Matlab GUI中实现，系统界面如图2所示。系统界面中主要分为显示界面和按钮控制模块，在显示界面中，共有视频窗口（含社会交互作用力显示）、前景目标检测窗口、共生矩阵信息窗口和系统信息显示窗口。按钮控制模块主要分为前景检测模块、人群密度估计模块、异常检测SVM训练（低密度）模块、异常检测SVM训练（高密度）模块和异常检测模块。

在视频窗口中，主要用于显示读取的原始视频，在人群异常检测时，显示社会交互作用力。前景目标检测窗口其用于显示视频中前景检测结果；共生矩阵信息窗口则显示0度，45度，90度和135度方向的共生矩阵能量值，熵，惯性矩和相关性。系统信息显示窗口主要用于显示不同的系统信息，如视频读取位置、保存信息、系统运行状态等，其为系统状态的实时显示。下面对各个模块进行介绍。

2.1 前景检测模块

本文采用基于高斯混合模型的运动前景检测方法。在理想条件下，所设阈值应该随着像素点坐标位置的不同而不同，在对比度（Contrast）比较低的区域，阈值应小一些，而在对比度比较高的区域，阈值应设大些。在具体实现时，可根据式（1）进行判断，其是否为运动前景。

式（1）中ui，t-1为第i个高斯函数的均值，其中D1为缩放因子，为一人工设置的常数。σi，t-1为第i个高斯函数在t-1时刻的标准差，α1，β1为阈值，具体在处理时，本文在RGB彩色图像上进行背景提取，当RGB三通道同时满足式（1）时，才将其作为前景点。

2.2 人群密度估计模块

密度估计模块的操作流程如图3所示，首先读入景区视频，然后对景区视频进行前景检测，再进行灰度共生矩阵特征提取，然后训练SVM模型，之后便可以对景区视频进行密度估计。

2.3 异常检测SVM训练模块

在分别选择好低密度与高密度SVM训练的核函数后，则可以分别单击低、高密度异常检测SVM模型的开始训练按钮开始训练SVM2的低、高密度异常检测SVM模型。

2.4 异常检测模块

在得到人群密度后，计算待检测视频的光流向量，然后计算其社会交互作用力；最后通过人群密度选择不同的分类器，人群密集或者人群稀疏，并通过人群异常事件分类器SVM2进行判断，在得到最终判断结果前，为了保证稳定判断结果稳定性，提高识别率，本文使用均值滤波和阈值法的方法，得到最终的判断结果。

3 总结

参考文献：

[1]肖儿良，毛海军，鞠军平，等.基于开源软件MJPG_Streamer 的智能视频监控系统设计[J].微电子学与计算机，2013，30（6）：84-87.