金项目：本文受国家自然科学基金资助项目；编号：61741111；福建省自然科学基金高校联合面上项目；编号：2019J01815、2019J01816；江西省自然科学基金资助项目，编号：20161BAB212031、20181BAB202011；福建省中青年教师教育科研项目，编号：JT180486、JAT170504；莆田市科技局项目：编号：2018ZP10、2018RP4004；莆田学院引进人才科研启动费项目资助，编号：2018088

基于轨迹信息的异常事件检测研究现状与进展

闻辉¹ 贾冬顺² 严涛¹ 陈德礼¹ 林元模¹（¹莆田学院信息工程学院  福建莆田  351100；²东方地球物理公司辽河物探处  辽宁盘锦  124010）

摘 要：基于轨迹信息的异常事件检测是智能视频监控系统最重要的应用之一。本文分别介绍了轨迹信息的主要研究方法，轨迹相似性度量方法以及基于轨迹信息的异常事件检测与判别，最后给出了研究展望。

关键词：智能视频监控；轨迹；异常检测

视频监控中的自动异常事件检测是智能视频监控系统最重要的应用之一。通过对异常数据的定位，可以极大减少数据处理量，方便有效搜索。通过对目标数据的自动分析，它提供当前监控场景的有用信息并进行实时处理，可以实时地识别可疑目标并自动判断是否出现异常，在异常事件发生时能及时上报，同时事后能快速查找到线索，从而形成事前预警，事中处理，事后及时取证的全自动、全天候实时监控的智能系统。因此在保障人类社会生活安全性的同时极大降低了人力、物力成本。

一、轨迹信息的主要研究方法

对运动目标进行跟踪可提取丰富的目标特征信息。其中，轨迹信息是最常用的一种，通过对场景中存在的运动目标轨迹进行聚类，可以发掘场景中存在的运动行为模式，进而完成目标轨迹的分类、识别以及异常轨迹检测和行为预测等，为高层次的场景理解提供了语义描述性的信息。

轨迹分析一般由三个部分组成：轨迹预处理、轨迹聚类以及轨迹建模。在轨迹预处理阶段，一般有两种方法：标准化和降维。其目的是为了使所处理的轨迹具有相同的长度，补零法和重采样法是两种典型的标准化技术。文献[1]通过使用一些简单的滤波器对轨迹进行平滑，再将平滑结果进行内插和采样从而使不同轨迹的长度相同。与标准化技术不同，降维法将轨迹映射到一个计算上更易处理的空间。文献[2]提出一种向量量化的降维方法，通过采取有限的字符集向量原型对每条轨迹进行符号量化，从而有效降低轨迹维数。此外，模式识别中的基于主分量分析的PCA子空间降维、拉普拉斯特征向量分解、核函数方法是常用的轨迹向量降维方法。

二、轨迹相似性度量方法

为了对轨迹进行有效聚类，需要定义轨迹的相似性度量。欧式距离、动态时间规整、Hausdorff距离可用来度量不同长度的轨迹数据[3]。文献[4]提出分层轨迹聚类方法，轨迹之间的相似性关系用自底向上或自顶向下的树状结构来描述。该文献[5]提出基于自组织映射的神经网络轨迹聚类方法，通过复杂的非线性关系映射，轨迹被表示成一种低维结构并在输出节点处进行相似性度量。文献[6]先将轨迹建模成一系列的词袋，通过获取词袋间的共生矩阵来实现轨迹相似性度量。

三、基于轨迹信息的异常事件检测与判别

一旦轨迹被聚类，需要建立合适的路径模型或运动模式。对目标进行运动模式分析是异常检测和行为预测的一种有效方法。文献[7]先从图像序列中产生目标轨迹，目标轨迹用一系列的向量流来表示，每个向量是包含目标位置和速度的四维信号，并采用向量量化的方式来学习目标轨迹的概率密度函数。文献[8]提出将每条路径用隐马尔科夫模型（HMM）来建模，其中每个隐层状态用高斯混合模型来表示。子路径模型随后按照概率连接的方式来定义。

四、总结与展望

利用轨迹信息来实现视频监控运动对象信息的特征提取，可极大减少视频监控领域的存储量。对于判断和识别检测对象的异常运动行为，并在刑侦安全、医疗监护、智能交通管理等领域都有非常广泛的应用。随着社会智能化程度的逐步提高，其应用范围也必将获得更大程度的推广。

参考文献：

[1]I.N.Junejo,O.Javed,and M.Shah,“Multi feature path modeling for video surveillance,”in Proc.Int.Conf.Pattern Recognit.Aug.2004,pp.716-719

[2]L.Jiao,Y.Wu,G.Wu,E.Y.Chang,and Y.-F.Wang,“Anatomy of a multicamera video surveillance system,”ACM Multimedia Syst.vol.210,no.2,2004,pp.144-163

[3]Brendan Tran Morris and Mohan Manubhai Trivedi,“A Survey of Vision-Based Trajectory Learning and Analysis for Surveillance,”IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY,VOL.18,NO.8,AUGUST 2008,pp.1114-1127

[4]N.Sumpter and A.J.Bulpitt,“Learning spatio-temporal patterns for predicting object behavior,”Image Vis.Comput.vol.18,Jun.2000,pp.697-704

[5]H.Zhong,J.Shi,and M.Visontai,“Detecting unusual activities in video,”in Proc.IEEE Comp.Sci.Conf.Comput.Vis.Pattern Recognit.Jun.2004,vol.2,pp.819-826

[6]N.Johnson and D.Hogg,“Learning the Distribution of Object Trajectories for Event Recognition,”Image and Vision Computing,vol.14,no.8,1996,pp.609-615

[7]B.Morris and M.Trivedi,“Learning and classification of trajectories in dynamic scenes:A general framework for live video analysis,”in Proc.IEEE 5th Int.Conf.AVSS,Santa Fe,NM,USA,2008

[8]Yong Wang,Dianhong Wang,and Fenxiong Chen,“Abnormal Behavior Detection Using Trajectory Analysis in Camera Sensor Networks,”International Journal of Distributed Sensor Networks Volume 2014,pp.1-9