标签:crowd-scen anomaly detection 计算机视觉
最近在关注 crowd scene方面的东西,因为某些原因需要在crowd scene上实现 anomaly detection,所以看到了这篇论文,该论文是目前在crowd scene中进行abnormal detection做的最好的,记录下笔记当做学习资料。
传统的 anomaly detection中,很多突发事件监测都是基于motion information的,这样就忽略了由于appreance导致但是又没有造成 motion abnormal的情况下的漏监测。 比如卡车超重在桥上行走
传统的光流法,像素变化直方图,或者是背景差分法都很难应用于 crowd scenes ,因为此时的背景是 dynamic的。
也有将 motion 和 appreance 结合在一起进行abnormal detection的
在crowd scene中,很多一般的abnormal even detection方法都不能取得很好的效果,因为crowd scene的背景是经常剧烈变化的,传统的方法不能充分检测到这种变化。
关于Anomaly detection的,关注得不多,目前看到的方法有以下几种:
social force model 主流的Optical flow方法有点不同,它主要是考虑crowd scene中的Froce,因此就没有Optical flow中的遮挡问题
该论文提出的方法也是基于 Optical flow的,能够适用于 coherent and incoherent scene,创新点如下:
如下图,是不同密集层度的集群
另外,在crowd scene中,很多一般的abnormal even detection方法都不能取得很好的效果,因为crowd scene的背景是经常剧烈变化的,传统的方法不能充分检测到这种变化
拉格朗日质点动力学 + 混沌不变量
其中,
在step1中去除点或轨迹的标准是轨迹流的方差,设定阈值
轨迹流聚类后如下:
这些聚类后的轨迹流就是 representative trajectories。实验结果证明,突发事件检测基本上对cluster number不敏感
论文中说到,运用上面提取的 representative trajectories 可以创建一个基于 Chaotic Invariants 的模型,该模型能够 handle both coherent and incoherent scenes and offer a description using only two features
也就是两个Chaotic Invariants:largest Lyapunov exponent :L 和 correlation dimension:D。
此外,为了进行 anomaly detection,还增加了feature M,代表的是轨迹流
对于 Chaotic Invariants,我个人不是很懂,理解得不太好。如果有懂得人还望不吝赐教。
由上面可知,本模型得到的特征集如下:
则求解
求解过程还是挺好懂的,就是先找一条轨迹流的最邻近的轨迹流组成轨迹流pairs,然后进行求解
计算chaotic feature 时需要的特征比较多,因此本文在轨迹中插入一些点来达到每个事件序列都有500个点
Definition of anomaly: Spatiotemporal change of scene/system dynamics (chaotic or/and positions)
具体方法如下:
首先运用GMM算法描述正常场景的概率密度函数:
其中:
Normality model: Multi-variate GMM
也就是,当我们用一些正常的视频序列
1.计算每个representative trajectory 对于模型的输出概率
2.定位那些比阈值
3.根据位置信息对它们进行聚类得到多个cluster
4.去除那些包含少量trajectories的cluster
5.剩下的那些cluster就是主要的abnormal region
举个栗子,下面两个图中,人工标记黄色框汇总有人站起来跳舞,其他人在鼓掌,跳舞的人就属于 abnormal 的。(其实只给一帧的图片我看不太出)
这是实验结果,中间的图是检测到的所有的abnormal region,右边是去除那些包含少量trajectories 的cluster后的情况,基本可以定位成功
http://blog.csdn.net/u012176591/article/details/46051431
K-means聚类和EM思想
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006910.html
(EM算法)The EM Algorithm :
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html
高斯混合模型(GMM) :
http://www.cnblogs.com/mindpuzzle/archive/2013/04/24/3036447.html
EM及高斯混合模型:
http://www.cnblogs.com/zhangchaoyang/articles/2624882.html
版权声明:本文为博主原创文章,未经博主允许不得转载。
论文笔记:Chaotic Invariants of Lagrangian Particle Trajectories for Anomaly Detection in Crowded Scenes
标签:crowd-scen anomaly detection 计算机视觉
原文地址:http://blog.csdn.net/llp1992/article/details/47024781