·1016· 智能系统学报 第13卷 异常，因此，及时识别异常行为对防止潜在危险 的发生具有重要的现实意义。随着公众对社 bg(x,y)= fx,y） (1) 会安全要求的日益增加，异常行为检测技术成为 该建模方法在监控设备固定的情况下，能较 了计算机视觉的新兴研究方向，广泛应用于智能 完整地从视频中获取背景模型。因此，本文通过 监控、医学诊断、运动分析等领域，并受到国内 融合均值背景结合双边滤波法对背景进行建模。 外研究学者的广泛关注。Jiang等采用上下文感 知方法来检测异常，通过跟踪获取行人运动轨 迹，并与正常行为轨迹进行比较，将偏离较大的 输入视頫序列 轨迹视为异常，该方法依赖于获取目标轨迹的跟 背景建模 踪算法，因此无法长时间适应视觉上下文的变化： Bouttefroy等o对运动轨迹的相关特征进行提取， 当前顿 更新背景 并通过估计概率分布模型来识别异常行为，该方 背景差分法 法需要准确获取行人运动轨迹，若发生遮挡便容 易丢失目标，应用具有较大的局限性；Zhao等四 运动前景提取 提出一种完全无监督的动态稀疏编码方法来检测 异常事件，由于正异常行为样本分布的不平衡， 导致对行人异常行为的识别效果较差；Lu等提 最后一顿 出稀疏组合学习框架，提取视频底层特征，通过 Y 学习正常行为的表示方式来区分异常，该方法需 结束 大量正常行为作为正样本进行训练，无法达到实 图1运动前景提取流程图 时性检测；Lⅰ等通过采用轨迹稀疏重构分析方 Fig.1 The flow chart of moving foreground extraction 法对行人异常行为进行检测，该方法对不同尺寸 1.1.2背景更新 样本均能达到良好的检测性能，但受控制点参数 为了降低光照、天气等对运动像素变化的 的影响，也无法满足实时性要求。 影响，需对背景进行动态更新，本文采用分块分 本文提出一种联合加权稀疏重构轨迹与直方 类1的背景更新算法，具体的更新过程如式(2) 图熵的异常行为检测算法。该算法对运动轨迹进 所示： 行训练，构造正常行为字典，同时对测试行人轨 f.(i,j),fa(i,j)-bg-1(i,j)<Ta 迹进行稀疏重构作为轨迹特征，并计算幅值方向 bgn(i,j)= (2) 直方图嫡作为熵特征。通过对异常行为多特征进 axbg(i,j)+Bf(i,)+ (1-a-)f(i,), 其他 行联合加权，实现对异常行为的检测。虽然本文 式中：阈值T设置为30，a与B为权重，a+B<1。 算法在时间上也无法达到实时性要求，但在复杂 算法通过计算当前帧与前一帧背景对应点像 场景中可以实现更加精确的异常行为检测率。 素值的绝对差，若小于给定的阈值，认为是由光 1行人检测 照、天气等因素带来的细微变化，便将当前像素 点设置成当前背景像素点，提供给下一帧考虑； 1.1运动目标检测 若绝对差超出给定阈值，则认为当前帧中存在运 本文采用背景相减法对运动目标进行检测， 动的物体，便结合前一帧背景，前一帧图像和当 其关键在于对背景的建模，考虑到存在天气、光 前帧图像来对当前帧背景进行更新。 照及树叶摆动等引起的前景像素变化，需要对背 1.1.3运动前景提取 景进行实时动态更新，图1为运动前景提取流程图。 获得更新的背景模型之后，对当前帧与当前 1.1.1背景建模 背景模型进行差分操作，提取当前存在运动的像 常用背景建模方法1包括混合高斯建模山 素点形成二值图像，通过选取适当的阈值去除由 码本建模)、双背景建模及均值建模41等。 非运动目标带来的像素值的细微变化，并进行相 均值建模法是将当前遍历到的所有帧像素值取平 应的形态学处理，从而提取感兴趣的运动前景， 均作为背景的估计，由式()表示： 提取过程可表示为式(3)：异常，因此，及时识别异常行为对防止潜在危险 的发生具有重要的现实意义[1-2]。随着公众对社 会安全要求的日益增加，异常行为检测技术成为 了计算机视觉的新兴研究方向，广泛应用于智能 监控[3-4] 、医学诊断、运动分析等领域，并受到国内 外研究学者的广泛关注。Jiang 等 [5]采用上下文感 知方法来检测异常，通过跟踪获取行人运动轨 迹，并与正常行为轨迹进行比较，将偏离较大的 轨迹视为异常，该方法依赖于获取目标轨迹的跟 踪算法，因此无法长时间适应视觉上下文的变化； Bouttefroy 等 [6]对运动轨迹的相关特征进行提取， 并通过估计概率分布模型来识别异常行为，该方 法需要准确获取行人运动轨迹，若发生遮挡便容 易丢失目标，应用具有较大的局限性；Zhao 等 [7] 提出一种完全无监督的动态稀疏编码方法来检测 异常事件，由于正异常行为样本分布的不平衡， 导致对行人异常行为的识别效果较差；Lu 等 [8]提 出稀疏组合学习框架，提取视频底层特征，通过 学习正常行为的表示方式来区分异常，该方法需 大量正常行为作为正样本进行训练，无法达到实 时性检测；Li 等 [9]通过采用轨迹稀疏重构分析方 法对行人异常行为进行检测，该方法对不同尺寸 样本均能达到良好的检测性能，但受控制点参数 的影响，也无法满足实时性要求。 本文提出一种联合加权稀疏重构轨迹与直方 图熵的异常行为检测算法。该算法对运动轨迹进 行训练，构造正常行为字典，同时对测试行人轨 迹进行稀疏重构作为轨迹特征，并计算幅值方向 直方图熵作为熵特征。通过对异常行为多特征进 行联合加权，实现对异常行为的检测。虽然本文 算法在时间上也无法达到实时性要求，但在复杂 场景中可以实现更加精确的异常行为检测率。 1 行人检测 1.1 运动目标检测 本文采用背景相减法对运动目标进行检测， 其关键在于对背景的建模，考虑到存在天气、光 照及树叶摆动等引起的前景像素变化，需要对背 景进行实时动态更新，图 1 为运动前景提取流程图。 1.1.1 背景建模 常用背景建模方法[10]包括混合高斯建模[11] 、 码本建模[12] 、双背景建模[13]及均值建模[14-15]等。 均值建模法是将当前遍历到的所有帧像素值取平 均作为背景的估计，由式 (1) 表示： bg(x, y) = 1 N ∑N i=1 fi(x, y) (1) 该建模方法在监控设备固定的情况下，能较 完整地从视频中获取背景模型。因此，本文通过 融合均值背景结合双边滤波法对背景进行建模。 当前帧 结束 Y N 输入视频序列 背景建模 更新背景 背景差分法 运动前景提取 最后一帧 图 1 运动前景提取流程图 Fig. 1 The flow chart of moving foreground extraction 1.1.2 背景更新 为了降低光照、天气等对运动像素变化的 影响，需对背景进行动态更新，本文采用分块分 类 [16]的背景更新算法，具体的更新过程如式 (2) 所示： bgn(i, j) =    fn(i, j),    fn(i, j)−bgn−1(i, j)    < Td α×bgn−1(i, j)+β fn−1(i, j)+ (1−α−β)fn(i, j), 其他 (2) 式中：阈值 Td设置为 30，α与 β 为权重，α+β < 1。 算法通过计算当前帧与前一帧背景对应点像 素值的绝对差，若小于给定的阈值，认为是由光 照、天气等因素带来的细微变化，便将当前像素 点设置成当前背景像素点，提供给下一帧考虑； 若绝对差超出给定阈值，则认为当前帧中存在运 动的物体，便结合前一帧背景，前一帧图像和当 前帧图像来对当前帧背景进行更新。 1.1.3 运动前景提取 获得更新的背景模型之后，对当前帧与当前 背景模型进行差分操作，提取当前存在运动的像 素点形成二值图像，通过选取适当的阈值去除由 非运动目标带来的像素值的细微变化，并进行相 应的形态学处理，从而提取感兴趣的运动前景， 提取过程可表示为式 (3)： ·1016· 智 能 系 统 学 报 第 13 卷