当前位置：文档之家 › 基于SVM的群体异常行为识别方法研究正文

基于SVM的群体异常行为识别方法研究正文

  • 格式：doc
  • 大小：778.00 KB
  • 文档页数：18

1.绪论1.1研究背景及意义当今社会是一个人口密集，高度复杂的社会，面临的突发事件和异常事件越来越多，其监测的难度和重要性也越来越突出。

现有的视频监测系统大多数只是进行场景内运动目标的监测和跟踪，进行进一步识别与行为理解等很少，虽然人们不断建立越来越大的视频监控系统，但这些监控系统也几乎沦为一种提供事后取证录像的工具。

然而，监控的目的就是对监视场景中的异常事件或监控对象的行为进行检测与分析。

在长时间视频序列中采用人工处理此类工作既不实用也不经济，因此在视频监控序列中进行一场检测十分重要而且必要。

群体异常事件检测作为一种应现实迫切需求而产生的研究领域，正受到越来越广泛的关注。

群体异常事件检测旨在从视频数据中发现隐藏着的、能刻画群体异常事件的特有的信息，并通过学习的方法训练检测模型，当下次有类似异常事件发生的时候，能够自动并及时的发出警报，以帮助人们及时的决策处理异常事件，避免事态进一步的扩大。

该领域的研究具有广泛的应用前景，己成为当前研究的热点之一。

群体异常事件检测系统的漏报与错报必然会给人们带来巨大的困扰和损失。

目前已有的各种群体异常检测算法大都在检测的准确率和时间效率上不尽人意，都不能应用于实际应用。

因此，有必要对群体异常检测算法进行更深入研究，开拓新思路，提出新算法，以提高准确率和时间效率，降低漏报错报率，进而能够更加快速高效地检测出聚集场景中的异常行为，提供更有价值的信息。

1.2 国内外研究动态及主要研究方法人类行为分析这一方向早已引起了人们的关注，1850年，E. J. Marey and E. Muybridge等拍摄运动的目标，并发现了人类及动物的运动中出现的许多令人惊喜的现象。

近年来，随着相关学科的发展，人类的运动分析作为计算机视觉的一个热点方向，吸引了大量的研究人员，美国、英国等发达国家，已经开始了大量人类行为识别项目的研究。

1997年美国国防高级研究项目署（Defense Advanced Research Projects Agency）与卡内基梅隆大学、麻省理工学院等诸多高校合作研究视觉监控的重大项目VSAM（Visual Surveillance And Monitoring），主要是研究对战场及普通民用场景下的目标行为识别技术；美国宾夕法尼亚州大学研究的三维人体头部及脸部跟踪系统，采用了有限元素模型对人脸动作进行实时跟踪；Microsoft公司也推出了3D体感摄影机Natal，逐步将基于视觉的人机交互接口应用到商业领域中。

人类群体异常行为的检测是人类行为识别的重要组成部分，这一领域的研究最近成为了热点。

Ramin Mehran等提出在图像中建立粒子，利用SFM(Social Force Model)描述粒子与周围空间的相互作用力，用力的强度来描述视频图像中行人行为，然后构建局部时空立方体并建立Bag-of-words模型，达到了较好的效果；Shandong Wu等也采用了一种粒子流动的方式，利用粒子的轨迹来描述局部的轨迹运动，实现了异常行为的检测与定位；针对极端拥挤场景中的异常行为检测问题，Louis 和Kratz使用基于梯度的时空模型描述场景运动信息，并用HMM来捕获时空模型之间的关系；Vijay Mahadevan等人用MDT模型化视频序列，然后分别检测模型在时空和空间上的异常，整合后判断异常行为是否出现；Ramin Mehran等人提出用脉线来表征拥挤的场景，清晰的描述了复杂场景下的人群行为。

基于SVM的群体异常行为识别方法研究目前，国外比较有代表性的实时系统有：(1)MIT的Plinder系统这个系统能用来实时地跟踪人，并分析理解人的行为，通过固定的摄像头，它可以适应不同类型的场景，但只能处理单个没有被遮挡的人体，并且要求人是站立的（2）CMU的VSAM系统1997年美国国防高级研究部署DARPA（Defense Adevanced Research Projects Agency）设立了以卡内基梅隆大学（Carnegie Mellon University）为首，麻省理工学院（Massachusetts Institute of Technology）等高校参与的视觉监控重大项目VSAM（Visual Surveillance and Monitoring）,主要研究用于战场一普通民用场景进行监控的自动视频理解技术。

利用虚拟场景中的虚拟物体来代替人力监控费用昂贵，非常危险或者人力无法实现等场合的监控（3）Harilaoglu的W4系统Maryland大学的Haritaolu等人开发了W（What,Where,When,Who）系统。

是一个全面的人体动作的实时视觉监控系统，W不仅能够定位人和分割出人的身体部分，而且能够通过家里外观模型来实现多人的跟踪，并可以检测人是否携带物体简单行为，还可以进行人的标准姿势，如：站，做，躺，卧的行为识别。

此外，美国的雷丁大学（University of Reading）已经开展了对车辆和行人的跟踪机器交互作用识别的相关研究：IBM与Microsoft等公司也正逐步将基于视觉的手势识别技术应用于商业领域中，当前，国际上一些权威期刊将人的运动分析研究作为主题内容之一，为该领域研究人员提供更多的交流机会。

在国内，目前开展这方面研究的单位主要有中国科学院计算技术研究所、中国科学院自动化研究所、浙江大学人工智能研究所等。

虽然人类运动分析还属于一个新兴的研究领域，但却取得了良好的成绩。

例如，由中国科学院计算所研究的“三维人体运动仿真技术的定量辅助分析系统”“数字化三维人体运动的计算机仿真和分析技术”和“基于视频分析的技术”。

这些科研成果在雅典奥运会上得到了实际的应用，并且取得了巨大的成就。

中国科学院自动化研究所对人类的步态进行分析识别，进而判定人类的身份。

浙江大学主要研究人体动画，从视频流提取动画信息，替代传统运动捕捉设备。

微软亚洲研究院多媒体研究高级人机交互手段。

例如，通过对手势语言的理解，还可以进行聋人与计算机之间的手语交流。

尽管在人类简单行为研究中取得了一定成果，但国内的人类群体异常行为研究还处于一个发展的阶段，随着这一领域研究的深入及需求的提升，必然会有更多的研究者将精力投入到这一方向。

人的行为分析研究在视频监控系统中的应用往往关注与人的异常行为，目前，异常行为检测的实现方法通常有两类：（1）把小概率行为或与先验规则相反的行为看作异常行为（2）把与已知正常行为的模式不匹配的行为看作异常行为1.3 论文的主要内容及结构安排本文研究群体异常行为的检测，提出了一种具有一定创新意义并可行的方法。

本文重点对群体异常行为识别中的关键技术进行了如下研究：（1）根据人类群体运动的视频中存在时间和空间方向上剧烈变化的位置的特点及时空特征点方法在简单人体行为识别中取得的成功，提出了用时空特征点来描述人类群体的运动，选择了鲁棒方法Gabor小波函数方法用来提取时空特征点，通过实验验证了这种方法可以有效的解决人类群体异常行为检测问题。

在时空特征点的描述符建立阶段，引入了时空Haar特征构建描述符利用高斯混合模型对正常行为的特征点集建立模型，为每个关键词分配不同的概率权重，并且准确的描述了不同类别出现的概率和输入的时空特征属于各个类别的概率。

（2）为正常行为以及异常行为中的每个视频片段建立视频向量，将生成的视频向量对SVM 进行训练以及学习，输入已知类别的测试视频，利用已训练好的SVM对视频进行群体异常行为的测试，根据已知数据和得出的结果分析研究，得出SVM的识别率，并根据实际的结果对SVM进行参数调整和进一步的完善。

对已经完善的SVM分类器进行未知视频的预测，初步用于检测群体行为是正常或是异常论文各章内容安排如下：第一章绪论，研究背景意义、国内外研究现状、论文的主要内容及文章的结构安排。

第二章时空特征点的提取与描述符的构建，利用基于高斯和Gabor小波响应函数时空特征点检测方法提取时空特征点：然后阐述了对时空特征点的描述，采用了基于时空Haar特征描述符建立方法,通过描述符聚类建模，产生输入向量，第三章详细介绍了SVM的理论，阐述SVM的应用。

对描述符聚类建模生成描述向量，将正常行为视频和异常行为视频分别以时间为单位划分为N 帧，分别对每帧进行聚类生成描述向量并生成视频向量，这章中主要介绍了EM方法，混合高斯模型方法的基本原理，以及如何用基于EM的混合高斯模型估计模型的参数，输入视频向量对SVM进行训练，对已知的视频作为输入视频对SVM进行分辨率的检测，达到较高的分辨率后，对未知视频进行检测第四章实验数据结果与分析。

分别阐述了时空特征点的提取，描述符的构建，并对试验结果进行分析。

第五章总结，本章总结了本文所做的工作，成果和不足之处。

2. 视频底层运动特征的提取及聚类建模2.1 时空特征点对人体运动进行特征提取是行为识别的关键。

人体运动特征存在于视频图像中时间和空间方向像素值发生剧烈变化的位置，因为它们往往包含了丰富的信息，同时也具有较强的稳定性。

通过离散的特征点捕获表征这些位置就可以有效的描述人体行为，通常这些点我们称作为特征点。

2.2基于高斯和Gabor小波函数提取时空特征点时空特征点有能力捕获视频中人体的剧烈运动，并已经应用于简单行为识别中，因此我们可以将其合理的应用于群体异常行为检测中。

如何提取时空特征点是进行群体异常行为检测的关键。

本章选用的是基于高斯和Gabor小波函数的检测方法。

Dollár等人提出任何进行非匀速运动的人体区域都可以看作是时空特征点，使用简单的检测器也可以获得稠密的时空特征点。

Dollár方法未直接扩展二维空间检测器，而是提出了一种新的检测基于SVM 的群体异常行为识别方法研究器，这种检测器基于高斯和Gabor 小波函数，在本质上借鉴了Gabor 小波在图像分析中取得的成功。

在这种方法中，通过计算视频流时空中每一个像素点处的二维空间高斯和一维时间Gabor 小波函数响应值来确定时空特征点，若视频三维空间中某点响应值为局部极值且大于某一阈值，则认为该极值点为时空特征点。

响应函数定义为：22()()ev od R I g h I g h =**+** （2-1）其中，I 为视频流图像，(),;g x y σ为二维空域高斯平滑滤波器，ev h 和od h 为一维Gabor 时域滤波器，定义分别为：()()()2222/;,cos(2);,sin 2tev t od h t t e h t t e τττωπωτωπω--=-=- （2-2）σ和τ分别为空域和时域尺度，4ωτ=。

在时空特征点的尺度选择问题上，Dollár 认为基于这种响应函数的时空特征点检测器受尺度变化的影响较小，可以忽略。

合集下载

《基于支持向量机的异常检测关键问题研究及应用》范文

《基于支持向量机的异常检测关键问题研究及应用》范文

《基于支持向量机的异常检测关键问题研究及应用》篇一一、引言随着大数据时代的到来，异常检测技术在众多领域中发挥着越来越重要的作用。

支持向量机（SVM）作为一种有效的机器学习算法，在异常检测领域具有广泛的应用。

本文将重点研究基于支持向量机的异常检测关键问题，并探讨其在实际应用中的效果。

二、支持向量机（SVM）概述支持向量机是一种监督学习模型，常用于分类和回归分析。

其基本思想是将输入数据映射到一个高维空间，然后通过寻找能够将不同类别的数据分隔开的超平面来实现分类。

在异常检测中，SVM可以用于识别出与正常数据模式偏离的异常数据。

三、基于支持向量机的异常检测关键问题1. 数据预处理数据预处理是异常检测的关键步骤之一。

由于实际数据往往存在噪声、缺失值、异常值等问题，需要进行数据清洗、归一化、标准化等操作，以提高SVM的检测性能。

此外，特征选择和降维也是数据预处理的重要环节，可以有效降低模型的复杂度，提高检测效率。

2. 模型参数选择SVM的模型参数选择对异常检测效果具有重要影响。

常见的参数包括核函数的选择、惩罚因子C的值、核函数参数等。

这些参数的选择需要根据具体的应用场景和数据进行调整，以达到最佳的检测效果。

3. 异常阈值的设定在SVM进行异常检测时，需要设定一个阈值来判断数据是否为异常。

阈值的设定需要根据实际情况进行，过高的阈值可能导致漏检，过低的阈值则可能导致误检。

因此，如何合理地设定阈值是SVM异常检测的一个重要问题。

四、基于支持向量机的异常检测应用1. 网络安全领域网络安全领域是SVM异常检测的重要应用场景之一。

通过对网络流量、日志等数据进行异常检测，可以有效地发现网络攻击、恶意行为等威胁。

SVM在网络安全领域的应用具有较高的准确性和实时性。

2. 金融风险控制金融领域是另一个SVM异常检测的重要应用场景。

通过对金融交易数据进行异常检测，可以有效地发现欺诈行为、洗钱等风险。

SVM在金融风险控制中的应用可以帮助金融机构提高风险控制能力，降低损失。

基于视频分析的行人行为识别与异常检测算法研究

基于视频分析的行人行为识别与异常检测算法研究

基于视频分析的行人行为识别与异常检测算法研究行人行为识别与异常检测在视频监控、智能交通等领域具有重要的应用价值。

随着计算机视觉和机器学习技术的发展，基于视频分析的行人行为识别与异常检测算法成为研究的热点之一。

本文将对该领域的算法进行探讨，并给出相应的研究结果。

一、引言视频监控系统中，行人行为识别与异常检测的目的是准确地识别和监测不同行人行为，以便满足对特定行为的实时监控和警报需求。

基于视频分析的行人行为识别与异常检测算法通过提取图像帧中的特征，结合机器学习方法，进而进一步实现对行人行为的自动识别和异常检测。

二、相关研究1. 行人行为特征提取行人行为特征提取是行人行为识别与异常检测的关键一步。

传统的方法主要基于手工设计特征，如颜色、纹理、形状等，然而这种方法对于复杂场景和光照变化较为敏感。

近年来，深度学习的兴起为行人行为特征提取提供了新的思路。

卷积神经网络（CNN）和循环神经网络（RNN）被广泛应用于行人行为特征提取，并取得了显著的性能提升。

2. 行人行为识别与分类行人行为识别与分类是通过学习和训练算法，对观察到的行人行为进行精确分类和识别。

常用的算法包括K近邻算法、支持向量机（SVM）以及深度学习方法等。

深度学习方法在行人行为识别中取得了很好的效果，通过使用卷积神经网络（CNN）和循环神经网络（RNN）进行特征提取和序列建模，能够有效地识别行人的不同行为。

3. 异常检测异常检测是在正常行人行为识别的基础上，进一步检测和识别不符合正常行为模式的异常行为。

常见的异常行为包括人群拥挤、突然停止、穿越禁止区域等。

传统的异常检测算法主要基于统计的方法，如高斯模型、背景建模等。

近年来，基于深度学习的异常检测算法逐渐受到关注，通过将行人行为表示为高维特征向量，并利用深度神经网络进行异常行为的检测与分类。

三、研究方法本文提出基于视频分析的行人行为识别与异常检测算法，通过以下步骤实现：1. 视频数据采集与预处理使用摄像机采集行人行为视频数据，并对视频进行预处理，包括视频去噪、图像增强等，以提高后续算法的准确性和稳健性。

基于SVM的异常检测方法研究

基于SVM的异常检测方法研究

基于SVM的异常检测方法研究一、前言随着大数据时代的到来，数据的高维、复杂、大规模化，为传统数据分析带来了很大的挑战。

传统的异常检测方法已经难以满足现代数据对检测精度、速度、规模等方面的需求，因此基于机器学习的异常检测方法越来越受到人们的关注和研究。

其中，支持向量机（Support Vector Machine，SVM）是一种应用广泛、效果比较优秀的机器学习算法，通过有限个数的训练样本找出数据的分割超平面，从而构建二分类和多分类模型，被广泛应用于异常检测领域，本文将重点探讨基于SVM的异常检测方法。

二、异常检测基础异常检测（Anomaly detection）是一种发现数据集中异常、不符合预期模式或者不同寻常的数据点的算法，也称为异常值检测、离群值检测、异常数据检测，它在很多领域有着广泛的应用，如金融欺诈检测、网络安全监控、医学疾病诊断等。

异常数据通常是指与正常数据在某些特征上具有显著区别的数据，因此，在异常检测的过程中需要明确正常数据的特征和模式，这可以通过数据的统计分析和可视化来实现。

三、SVM原理支持向量机（SVM）是一种二分类和多分类的线性判别器，它在判别过程中将目标类别的实例映射到多维空间中的某个位置，然后构建一个分割超平面，使得同类别的实例彼此之间的距离最大化，不同类别的实例之间的距离最小化，从而达到最小化分类误差的目的。

在这个过程中，支持向量是指距离分割超平面最近的堆积点（一般只占总数据的一小部分），支持向量的个数越少，SVM的泛化性和效果就越好。

四、基于SVM的异常检测方法基于SVM进行异常检测的思路和过程如下：首先，收集和整理好一定量的数据样本，包括各个特征的变量数据；其次，对数据进行处理和特征提取，例如标准化、归一化、降维等；然后，将数据分为训练集和测试集，训练集用于训练SVM模型，测试集用于评估模型的性能；接着，采用核函数选择算法建立SVM模型，并利用SVM分类器对数据进行分类，得到异常检测结果；最后，人工或自动化地对异常情况进行滤除和修正，拟合出正常数据的特性，更新模型，从而达到特别高的检测精度。

基于主元分析的SVM动态过程质量异常模式识别

基于主元分析的SVM动态过程质量异常模式识别


᷉a᷊䎞⧄㚄㬞᷉b᷊䐽㠻㚄㬞
2 基于 PCA 的 SVM 动态过程质量异 常模式识别模型
在进行动态过程质量异常模式识别时 ， 通常 需要对样本数据进行预处理 ， 以消除样本数据中 存在的大量噪声 ， 提高识别精度 ； 接着选用合适 的分类器优化方法 ， 对分类器的结构 、 参数进行 优化 ； 最后 ， 提出质量异常模式识别的方法 。 本 文首先运用主元分析方法对样本数据进行特征提 取，将数据特征进行降维、去噪处理；接着，利用 PSO算法对支持向量机的参数进行全局优化，得到 五个基于PSO算法的SVM分类器；最后，提出一种 基于PCA的SVM动态过程质量异常模式识别方法。 2.1 基于PCA的数据特征提取 在生产过程中 ， 质量特性值之间无法避免地 会存在较大的相关性 ， 这导致样本数据特征被反
f ( x) = sgn[∑ ai* yi ( xi , x) + b* ]
i =1
n
(1)
其中Lagrnage乘子 ai* ≠ 0 对应的样本为支持向 量（SV）， b* 为分类阈值。 针对生产动态过程质量异常模式所涉及的非 线性问题 ， 通过引入核函数 ， 将样本数据映射到 高维特征空间，使原本线性不可分的问题 ，在高 维特征空间转化为线性可分的问题 ， 这样就可以 对其进行分类 [14]。 核函数 k(xi , x) 的引入 ， 可得到 SVM的分类函数为：
收稿日期：2014-03-06 基金项目：国家自然科学基金项目（71272207；61271146） 作者简介：刘玉敏（1956 -），女，河南濮阳人，教授，博士，研究方向为质量控制和质量智能诊断等。 第36卷 第8期 2014-08(上) 【1】
主元分析的 SVM 质量异常模式识别模型 。 首先运 用主元分析对原始数据进行特征提取 ， 继而 ， 采 用 PSO 算法对 SVM 分类器参数进行全局寻优 ， 接 着，采用优化后的SVM分类器对生产过程的质量异 常模式进行识别。最后，通过仿真实验对模型加以 验证，并与其它识别模型进行识别精度的对比。