基于隐马尔科夫模型的聚众事件检测

《基于隐马尔科夫模型的聚众事件检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第一章绪论§1.4.2主要研究方法介绍事件检测可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型事件的模型或序列进行匹配。由此可见，事件检测的关键问题是如何从学习样本中获取描述事件的参考序列，并且选择最佳的学习和匹配的事件检测的方法。异常事件检测的主要方法有：（1）动态时间规整DTW（DynamicTimeWarping）[15]DTW具有概念简单、算法鲁棒的优点，早期被广泛地应用于语音识别中，最近也用于简单的事件检测中。对DTW而言，即使测试序列与参考序列的时间尺度不能完全一致（序列长度不等

2、），只要时间次序约束存在，它仍能较好地完成测试序列和参考序列之间的模式匹配。（2）有限状态机FSM（FiniteStateMachine）FSM最大的特点是有一个状态转移函数，它可以确定最佳状态，并用该状态确定测试序列与参考序列是否匹配。（3）人工神经网络（ANN）[16]人工神经网络是80年代末期提出的一种新的模式识别方法。人工神经网络本质上是一个自适应非线性动力学系统，模拟了人类神经活动的原理，具有自适应性、并行性、鲁棒性、容错性和学习特性，但由于存在训练、识别时间太长的缺点，目前仍处于实验探索阶段。（4）

3、隐马尔科夫模型HMM(HiddenMarkovModel)[17]本文就是基于HMM的聚众事件检测。HMM是更加成熟的匹配时变数据技术，它是随机状态机器。HMM的使用涉及到训练和分类两个阶段。在训练阶段，HMM模型采用参数极大似然估计―Baum-Welch算法。一般对于每一种事件类别，分别建立对应的HMM模型。在训练阶段HMM的状态数必须确定，对应的状态转移和输出概率也要在迭代和训练过程中进行优化。这样，生成的模型符号才能和特定事件类别中所要测试的特征序列对应。匹配阶段涉及到一个特定的HMM模型产生测试特征序列

4、的概率计算。HMM在学习能力和处理未分割的连续数据流方面比动态时间规整（DTW）有更好的优越性，当前被广泛地应用于异常事件检测中。例如，文献[18]中，在多摄像机监控的mail-room场景中，用耦合隐马尔科夫模型（Coupled-HiddenMarkovModel）对多摄像机采集到的视频流进行建模，分析人正常取信事件及异常取信事件的行为；文献[19]中，采用半监督-自适应隐马尔科夫模型，监控场景为扑克牌游戏场景，分析在打扑克场景中的违规行为；文献[20]也是基于半监督学习的方法用HMM对人的行为进行建模分析；

5、文献[21]中用HMM对人的轨迹进行建模，识别超市中正常购物者的行为和非正常购物的可疑行为；文献[22]中用HMM对走廊中人的行为进行建模，对异常行为进行检测和识别。§1.4.3事件检测算法的评价指标在现实应用中，每一类算法都有一定的标准来评价其性能优劣，这个标准被称为–3–万方数据第一章绪论评价指标[23]。一个好的事件检测算法应当做到快速、准确，因此，优秀的算法一般具备以下特征:①检测率高；②产生错误报警的几率低；③事件发生与事件被检测到的时间间隔小；④检测范围大。对于上述特征，事件检测算法的评价指标主要有

6、三个，即检测率、误报率和平均检测时间。(1)检测率（DetectionRate，DR)检测率是指在一定时间内，所检测到的事件数与实际发生的总事件数的比值，即：DR=TPS×100%(1-4-1)式中：DR为检测率，TP为检测到的事件数，S为实际发生的事件数。（2）误报率（FalseAlarmRate，FAR）误报率是指在一定时间内，误报事件次数与实际发生的总事件数的比值，即：FAR=FNDR×100%(1-4-2)式中：FAR为误报率，FN为误报次数，DR为事件总数。在保持较高检测率的前提下，误报率较高一直是事

7、件检测算法中存在的一个大问题。（3）平均检测时间（MeanTimetoDetection，MTTD）平均检测时间是指在一定的时间内，从事件发生到事件被算法检测到的时间差的平均值。即：MTTD=1nXni=1[TI(i)−AT(i)](1-4-3)式中：MTTD为平均检测时间，TI(i)为被算法检测到的事件i实际发生的时间，AT(i)为算法检测到事件i报警的时间，n为算法检测到的真正事件数。针对本文所研究问题，主要采用检测率和误报率两个指标来进行算法评价。§1.5本文主要研究内容在视频监控系统中，聚众事件是异常事

8、件具体的一种，本文是有针对性的对聚众异常事件进行研究。由于聚众事件过于复杂，为简化起见，本文所提到的聚众事件是在固定场景下，人数较少的聚众事件。对于在监控场景中同时存在两个或两个以上等复杂聚众事件的情况，不在本论文的研究之内。为了更好的研究聚众异常事件，本文分别为聚众事件和非聚众事件（正常事件）建立各自对应的HMM模型。其主要内容如下：–4–万方数据第一章绪论1、介绍了异常事件检测的应