基于改进光流法的视频监控中人群异常行为检测算法

铁富珍

（1.中国人民公安大学，北京 100038；2.青海警官职业学院，青海西宁 810000）

0 引 言

随着公共安全和智能化的发展，视频监控系统在各个领域的应用越来越广泛[1]，例如智慧城市、机场、银行等。在这些场景中，人群异常行为检测成为一个重要的研究课题[2]。因为一旦出现异常行为，如拥挤、跌倒、争执等，可能会引发严重的安全问题[3]。因此，对视频监控中的异常行为进行自动检测，对于保障公共安全具有重要意义[4]。例如，文献[5]通过轻量级网络取代原始特征提取网络，在监控视频内提取人群特征。利用可变形卷积模块提升特征提取效果，并依据提取的特征输出人群异常行为检测结果。该算法具有较好的人群异常行为检测效果。文献[6]在双支路共享网络内输入原始帧和背景模型，输出人群异常行为检测结果。该算法可有效检测人群异常行为，且异常行为检测的适用性较强。但上述方法易受光照与噪声影响，降低了人群异常行为的检测效果。而改进光流法[7]通过计算图像中像素点的运动矢量，实现对人群运动的估计，对光照和噪声不敏感，具备较高的异常行为检测准确性和鲁棒性。为此，本文研究基于改进光流法的视频监控中人群异常行为检测算法，为保障公共安全提供参考。

1 视频监控中人群异常行为检测算法

1.1 视频监控在人群图像特征点提取

利用改进单高斯模型在视频监控的人群视频帧内提取角点，将其作为特征点。

将视频监控中各帧图像分割成N×N个大小的块，并展开背景建模[8]。令t时刻、第i块图像的像素集合是，像素数量是|，i的均值是kti，计算公式如下：

式中：Ijt是第j个像素的强度；z′ti-1、k′ti-1是经过映射的生命值、均值；zti是生命值。

i的方差是σti，计算公式如下：

式中σ′ti-1是经过映射后的方差。

针对视频监控中各帧图像均通过两个单高斯模型进行建模[9]，得到当下与备选背景模型C、O，并依据参数更新频率得到各帧图像最终的真实背景模型。

t时刻，i在C、O内的参数是；相应的观测均值是U it，若符合条件，那么更新C的参数，其中θ是常数。若符合条件，那么更新O的参数。 若，那么以O为新的C，同时再次初始化O。参数更新后，便可得到真实背景模型Ĉ，通过求解各像素点属于̂的概率，便可得到前景图像，以前景图像为掩模，提取视频监控中各帧图像内的角点[10]。令阈值为ε，利用角点响应函数确定某像素点是否为角点，公式如下：

式中：o是候选角点；V(o)、V(j)是o与j的灰度值。如果η＞ε，那么确定该像素点为角点，即特征点。

1.2 基于改进光流法的人群运动目标提取

利用改进光流法[11]，依据1.1 节提取的特征点，在视频监控的视频帧内提取人群运动目标。

令j的两个光流速度矢量是、，光流场的基本方程如下：

式中：Fj,t是第j个特征点的灰度函数；是Fj,t有关x轴、y轴、t轴方向的偏导数。

令h为迭代次数，式（4）的约束方程如下：

式中α是拉格朗日乘子[12]。

对于视频监控中复杂场景内的人群运动目标来说，因为人群运动目标和背景的灰阶差距较小，所以人群运动目标轮廓位置较为模糊，影响人群运动目标轮廓处光流计算精度。为此，在式（5）的基础上引入权函数wj(x,y)改进光流约束方程，公式如下：

wj(x,y)的计算公式如下：

式中T是阈值。

利用增加惯性项，求解式（6）得到h+1 次迭代时的光流速度矢量、，公式如下：

式中ρ(h)是迭代惯性因子。

依据与可获取各光流点（特征点）的运动速度ν(x,y)与方向λ(x,y)，公式如下：

令光流点选择阈值是νε，当ν( )x,y＞νε时，保留该光流点，反之，剔除该光流点，可有效抑制噪声对光流点的干扰，依据保留的有效光流点完成人群运动目标提取。

1.3 人群异常行为检测的实现

以光流直方图的形式代表提取人群运动目标内光流点的运动方向，利用直方图的熵[13]代表光流点运动方向的混乱程度G，G与视频监控中当下帧内光流点运行方向混乱程度具有正相关关系。

令j的方向变化次数是dj，j的幅值是rj，人群运动目标图像内光流点的方向与幅值概率Q(dj)、Q(rj)如下：

式中：ψdj、ψrj是直方图方向次数、幅值总和。

方向熵与幅值熵为：

式中m是人群运动目标内有效光流点数量。

光流速度均值为：

运动混乱度的计算公式如下：

当某人的连续3 帧图像的G超过设置阈值时，则判定该人存在异常行为。

2 实验分析

以某商场视频监控为实验对象，该商场的视频监控设备尺寸是1 2.5 英寸，有效像素在200 万～400 万之间，摄像头的动态范围在60 dB 左右，具备防抖功能，视频监控图像的分辨率是1 920×1 080，帧率是25 f/s。

在该商场视频监控内，随机选择2 帧存在异常行为的图像，利用所研究算法在这2 帧图像内提取特征点，特征点提取结果如图1 所示。

图1 特征点提取结果

从图1a）和图1b）中可以看出，该算法在视频监控图像中成功地提取了特征点。虽然原始视频帧中包含许多噪声和其他因素，但是该算法仍然能够准确地识别和提取特征点。这些特征点可以作为人群运动目标提取的可靠输入，从而证明了其在视频监控图像中提取特征点的有效性。

利用本文算法在原始视频帧内提取人群运动目标，如图2 所示。

图2 人群运动目标提取结果

从图2a）可以看出，本文算法可有效提取人群运动目标，共包含5 个运动目标。从图2b）可以看出，本文算法也可有效提取人群运动目标，共包含8 个运动目标。综合图2a）和图2b）可以看出，本文算法成功地提取了人群运动目标。在两个不同的视频帧中，本文算法准确地提取了运动目标，从而证明了其在人群运动目标提取中的有效性和可靠性。这表明本文算法具有较高的准确性，可以处理实际场景中的视频监控数据。

利用本文算法计算上述两帧图像的运动混乱度，进行人群异常行为检测，检测结果如图3 所示。

图3 人群异常行为检测结果

从图3 中可以看出，本文算法成功地计算了各视频帧的运动混乱度，并且准确地检测出了异常行为。在实验的前13 帧视频中，运动混乱度均低于阈值，表明人群行为正常，没有出现异常情况。这13 帧视频中的人群处于平静、有序的状态，没有出现突然的聚集、争执等异常行为。然而，在第14 帧视频中，运动混乱度突然明显高于阈值，且高于阈值的连续视频帧数量为7 帧，表明人群中出现了异常行为，在这7 帧视频中，人群出现了聚集、争执等异常行为，导致运动混乱度明显上升。实验证明：本文算法精准检测出了异常行为，可用于实时监控视频，对异常行为进行自动检测和预警，为公共安全提供了强有力的技术支持。

3 结 论

本文提出了一种新的视频监控中人群异常行为检测算法。利用改进单高斯模型提取视频监控在人群图像的特征点，基于改进光流法提取人群运动目标，通过对比分析运动混乱度与设置阈值，完成人群异常行为检测。实验结果表明，本文算法的准确性较高，该研究成果对于提高视频监控中异常行为检测的准确性和鲁棒性具有重要意义，为实际应用提供了新的方法和思路。未来的研究方向可增强算法的自适应性，并研究多视角和多模态信息融合方法，提高异常行为检测的全面性。