高密度复杂场景中群体异常行为检测方法研究

As an essential research direction in intelligent video surveillance field, it is of great theoretical significance and application value to study the abnormal crowd behavior detection in high density complex scenes. There are many problems in the existing methods, such as the lack of effectiveness in the local features, the lack of discriminative characteristics in the global features and the difficulty in learning the behavior patterns. Therefore, this project focuses on the key issues of local feature extraction, global feature aggregation and behavior pattern learning. Firstly, the extraction method of crowd behavior features based on convolution neural network is considered to solve the problem of lacking learning ability in hand-crafted features. Secondly, the global feature aggregation method based on dictionary learning and compact coding is considered to solve the problem of coding feature identification in the existing unsupervised methods. Thirdly, the LDA topic model fusing context information is studied to accurately learn crowd behavior patterns. Finally, the relationship among the above research is analyzed to construct the whole abnormal crowd behavior detection algorithm for the high density complex scenes, with self-learning ability over whole procedure.

高密度复杂场景中群体异常行为检测是智能视频监控领域的重要研究方向，对其开展研究具有重要的理论意义与应用价值。现有的方法通常存在局部特征有效性不足、全局特征缺乏判别性以及行为模式难以准确学习等问题，为此本项目针对局部特征提取、全局特征聚合和和行为模式学习等关键问题开展深入研究，主要包括：研究基于卷积神经网络的群体行为特征提取方法，解决人工局部特征忽略数据特性且缺乏学习能力的问题；研究基于词典学习和紧凑编码的群体行为全局特征聚合方法，解决现有无监督方法获得的编码特征判别能力不足的问题；研究融合上下文LDA主题模型的群体行为模式学习方法，准确学习群体行为模式；最后，分析上述研究内容间的耦合关系并构建整体检测算法框架，面向高密度复杂场景提出各阶段均具有自学习能力的群体异常行为检测方法。

本项目致力于解决高密度复杂场景中群体异常行为检测中的关键技术问题，重点围绕群体运动模式分析、群体密度估计、异常行为检测等问题开展研究，主要取得了如下成果：1) 群体运动模式分析方面，i) 针对群体运动模式分割精度不高的问题，提出了基于改进相关滤波的自适应群体运动模式分割算法; ii) 为了满足群体分割算法的实时性要求，提出了基于子群运动模式分割的结构保持多目标跟踪算法。2) 群体密度估计方面，i) 为提高网络生成的密度图质量，提高密度估计准确度，降低复杂背景对密度估计结果的影响,提出了基于感知损失的群体密度估计方法; ii) 针对拍摄视角变化导致的近大远小问题，提出了基于平均上采样的群体密度估计方法，提高了生成的密度图的质量和密度估计的准确性。 3) 异常行为检测方面，i) 提出了基于光流熵的群体异常检测算法，减少了传统信息熵的冗余性，提升了算法的性能; ii) 为了充分利用人体的动态特征，在不完全依赖姿态估计算法的情况下，引入动态骨架特征，充分描述了人体的关键动作，这是异常检测的关键; iii) 针对异常行为检测中正负样本不均衡的问题，提出了基于循环一致对抗网络的异常行为检测算法，在一定程度上缓解了异常行为检测正负样本不均衡的问题; iv) 为了进一步缓解异常检测样本的不均衡性并节省标记异常行为的人力，提出了基于3D卷积神经网络的异常行为检测算法。上述研究成果对于提高高密度复杂场景中的群体异常行为检测具有重要意义。相关研究成果可应用于公共管理、社会安全等领域。