2016年第22期信息与电脑China Computer&Communication计算机工程应用技术

群体异常行为识别方法

叶 程

（中国民用航空飞行学院，四川 广安 638500）

摘　要：作为计算机视觉领域最为活跃的研究方向，群体行为分析近年来受到国家的重视。针对群体异常行为的检测和识别的算法也日益发展，比如群密度估算、群体运动检测、群体行为识别等。笔者分析了群体异常行为的特征，并分别从群体特征提取、异常识别技术和分类技术、识别数据库等方面，对当前群体异常行为识别研究进行了概述。关键词：群体异常行为；贝叶斯方法；支持向量机方法中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767（2016）22-085-02

随着经济的发展，人们之间的联系紧密，人数众多的场

面也日益多样，增加了人群意外事故发生的频率，给社会的

管理和安定也带来了挑战。所以需要对群体的异常行为识别

方法进行研究，通过对人群进行监控，对群体中可能出现的

异常行为进行检测和识别，最大限度减少群体异常行为带来

的损失。人群行为分析在多个领域都得到应用，比如视频监

控、人群管理领域、公共区域设计规划领域及娱乐领域等。

随着现代智能摄像技术的日益发展，通过视频对群体行为进

行监测，利用群体分析技术，对群体异常行为进行检测和报

警，是目前广泛研究的方向[1-3]。一般人群分析技术包括四个

方面，一是人群密度估计，二是群体运动检测，三是人群跟

踪，四是群体行为理解。随着信息技术如计算机视觉技术、

模式识别技术、数学建模及计算机智能技术的发展，群体异

常行为的检测和识别取得了很多成果。但由于国内的研究往

往跟随国外的研究思路，与我国实践结合不紧密，导致很少

有高水平的的论文在此领域的重要刊物上出版发表。所以必

须对当前的前沿研究成果进行总结和分析，提出与我国实践

相结合的研究方法，高效检测和识别群体的异常行为，避免

群体异常行为带来的损失。本文分析了群体异常行为的特征，

并分别从群体特征提取、异常识别技术和分类技术、识别数

据库等方面，对当前群体异常行为识别研究进行了概述。

１　群体异常行为的分类和特征

1.1 群体异常行为的典型事件

一般异常事件分为两个部分，一是暴力性质异常事件，

二是非暴力性质异常事件。所谓暴力性质异常事件是异常行

为直接造成人或财产的损失，这些暴力行为具有较高的运动

能量，如群殴事件、踩踏、骚乱等。非暴力性质异常事件会间接造成损失，具有较低的运动能量，如静坐、围观等。

1.2 异常人群特征

群体异常行为的特征是人群密度异常、人群运动模式异

常。所以很多人群异常检测的算法都是以人群密度为基础进行

检测的。当人群产生异常时，往往是人群密度超过一定的阈值，

超过阈值的人群往往会导致发生异常事件。其次是人群运动模

式出现异常，如人群混乱等[2-5]。通过对人群运动的特征进行

检测和分析，就可以在一定程度上反映群体的异常。

２　人群异常行为的提取

人群异常行为的提取是识别异常行为的前提，特征提取

是识别行为的重要依据和参考。一般的提取方法包括基于像

素特征的提取、基于纹理特征的提取、基于对象特征的提取

及基于帧的特征的提取。基于像素特征的提取通常采用的是

边缘检测方法，而且重点关注底层的密度估计等相关信息。

纹理分析可以实现对图像块的高层次分析。基于对象特征提

取的方法通常是通过确认场景中的个体，而获取精确的信息。

基于帧图像的分析是通过对群体中的整个场景进行建模，表

征每个人的现状。基于像素特征的提取是底层特征的提取方

法，而其他提取方法都是高层特征的提取方法。基于像素和

纹理的提取方法可以实现对人群密度的估计，但不能完成对

群体行为的有效识别。而基于对象和帧的特征提取方法可以

有效识别对象的行为特征，实现行为有效识别，从而可以应

用于群体异常行为的识别中。

３　群体异常建模技术

3.1 群体整体建模技术

所谓整体的建模技术是将人群作为一个整体来进行估

作者简介：叶程（1988-），男，湖北仙桃人，研究生。研究方向：群体异常行为识别方法。

— ８５ —2016年第22期信息与电脑China Computer&Communication计算机工程应用技术

算，通过对人群速度、方向和运动的异常分析，来实现对群

体异常行为的识别，从而识别出正常群体和异常群体。识别

方式往往是通过基于整体估测的运动变化或相关事件。不仅

要对异常的行为进行检测，还要对整个异常事件的起始和结

束进行预测，还要检测它们彼此之间的联系过程[6-7]。

3.2 针对个体的群体异常建模

此方法通过个体的集合来分析群体的速度、方向和运动

异常，通过对个体行为的识别，能够精确地定位群体异常行

为发生的具体位置和相关的类型，因此，该方法是当前群体

异常行为识别研究的重点，已成为群体异常行为识别方法研

究的重要方向。当群体中有遮挡存在时，对个体的检测和识

别会造成影响，在一定程度上增加了检测的难度[8-9]。

４　群体异常分类技术

常用的群体异常分类方法包括八种，一是贝叶斯方法，

这种方法可以对异常行为进行分类和识别，并且可以对相关模

型进行切割，从而检测和区分人体的运动；二是支持向量机方

法，这种方法可以通过调节参数，将风险降到最小，通过对轮

廓和头部的提取，可以识别异常的轨迹，从而对异常行为进

行识别；三是隐马尔可夫模型，这种方法能够检测变化光流，

实现对行为异常的分类，对动态和静态的数据进行提取，从而

对运动类型的变化进行处理；四是马尔科夫随机场模型，这种

模型可以有效降低错误检测频率，并且减少平滑区域的边界，

而且在运动的图形中识别相关的连通区；五是高斯混合模型，

这种模型能够对人体衣物的颜色和裤子等进行建模，通过对人

体轮廓的提取获得相关的纹理信息[10]；六是社会力模型，这

种模型可以对群体异常中单个个体进行处理和定位；七是动态

方向图模型，这种模型可以实现对相关对象的行为的确定和预

测，确定对象的属性分布；八是相关主题模型，这种模型可以

捕捉重叠的或非重叠场景中的人群行为，从而避开拥挤场面的识别，实现对低层流矢量的识别。

５　结　语

当前有许多研究成果，但到目前为止还没有统一的异常

行为理论模型，对异常行为的研究还局限于视觉相关特征的

研究，与国外的相关研究还有相当大的差距。本文分析了群

体异常行为的特征，并分别从群体特征提取、异常识别技术

和分类技术、识别数据库等方面，对当前群体异常行为识别

研究进行了概述。

参考文献[1]闫志扬.视频监控中人群状态分析及异常事件检测方

法研究[D].天津:天津大学,2013.[2]杨琳,苗振江.一种人群异常行为检测系统的设计与

实现[J].铁路计算机应用,2010,19(7):37-41.[3]宋开勇.基于脉线的群体分割与异常行为检测[D].青

岛:青岛科技大学,2013.[4]唐迅.基于稀疏编码的群体异常行为检测[D].哈尔滨:

哈尔滨工业大学,2013.[5]谭林海.智能视频监控关键技术研究[J].信息与电脑:

理论版,2016(11). [6]彭怀亮.视频监控场景中人群异常行为识别研究[D].

杭州:中国计量学院,2014.[7]林沁.视频中的大规模人群密度与异常行为分析[D].

厦门:厦门大学,2014.[8]徐姗.基于视频分析的异常群体事件检测[D].武汉:

华中科技大学,2011.[9]曹书凯.人群运动的流体表达及异常行为检测[D].秦

皇岛:燕山大学,2012.[10]柴斌.突发人群聚集事件智能视频监控[D].成都:

电子科技大学,2010.

— ８６ —