本站小編為你精心準(zhǔn)備了多條件隨機場模型的異常檢測參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《通信技術(shù)雜志》2014年第六期

1特征提取

采用基于Kinect獲得的具有20個關(guān)節(jié)點的骨架模型，通過這20個關(guān)節(jié)點可以準(zhǔn)確表達出人的行為，從這20個關(guān)節(jié)點中選取15個關(guān)鍵關(guān)節(jié)點處理得到角度、位置、速度三類特征。角度特征包含4個手臂角度特征、4個腿部角度特征和2個軀干角度特征，位置特征包含9個關(guān)鍵關(guān)節(jié)的位置特征，速度特征包含整體速度、2個腕關(guān)節(jié)的速度和2個踝關(guān)節(jié)的速度，這三類特征是表述人體行為的關(guān)鍵特征。例如，拳擊(boxing)行為主要就是手部的運動，可以通過4個手臂角度特征、4個手臂關(guān)節(jié)位置特征和2個腕關(guān)節(jié)的速度特征與其他行為加以區(qū)分;逃逸(run)行為是人體整體的運動，與walk非常相似，但是與walk相比，相鄰兩幀間的角度特征變化較大，速度特征的大小也較大，通過這兩個特征可以區(qū)分出run和walk。

1．1人體結(jié)構(gòu)向量從Kinect獲得的20個關(guān)節(jié)點中選取15個關(guān)鍵關(guān)節(jié)點(頭節(jié)點A1、肩關(guān)節(jié)中心節(jié)點A2、兩個肩關(guān)節(jié)A3和A4、兩個肘關(guān)節(jié)A5和A6、兩個腕關(guān)節(jié)A7和A8、臀部中心節(jié)點A9、兩個髖關(guān)節(jié)A10和A11、兩個膝關(guān)節(jié)A12和A13、兩個踝關(guān)節(jié)A14和A15)，如圖1所示。其中，手臂、腿部、軀干三部分向量組合得到向量間的角度特征，特殊向量通過求模、歸一化得到位置特征。

1．2人體結(jié)構(gòu)向量間的角度特征由于人體體型差異以及kinect與人體相對位置的不同，相同動作得到的人體結(jié)構(gòu)向量也會有很大差異，不能作為歸一化后的特征，所以要對人體結(jié)構(gòu)向量進行進一步處理。當(dāng)人做某一個動作時，人體結(jié)構(gòu)變化基本一致，也就是說人體結(jié)構(gòu)向量間的角度變化趨勢基本一致，故可選擇人體結(jié)構(gòu)向量間的角度作為歸一化后的特征。選取上面手臂、腿部、軀干的14個人體結(jié)構(gòu)向量構(gòu)成10個角度特征，包括三個部分10個角度特征:手臂角度特征{α1，α2，α3，α4}、腿部角度特征{β1，β2，β3，β4}、軀干角度特征{θ1，θ2}。角度特征定義如表2所示。

1．3人體關(guān)鍵關(guān)節(jié)的位置特征在某些情況下僅使用人體結(jié)構(gòu)向量間的角度特征并不能描述行為的細(xì)節(jié)部分，例如拳擊時，判斷拳頭與身體的相對位置，此時角度特征不能提供足夠的信息，在這種情況下需要添加人體關(guān)鍵關(guān)節(jié)的位置特征來輔助角度特征。選取頭節(jié)點、兩個肘關(guān)節(jié)、兩個腕關(guān)節(jié)、兩個膝關(guān)節(jié)、兩個踝關(guān)節(jié)作為關(guān)鍵關(guān)節(jié)。人體關(guān)鍵關(guān)節(jié)的位置特征即這9個關(guān)鍵關(guān)節(jié)點的位置信息:{d1，d2，d3，d4，d5，d6，d7，d8，d9}。以人體臀部中心節(jié)點為參考節(jié)點，人體關(guān)鍵關(guān)節(jié)的9個位置特征包括頭節(jié)點與踝關(guān)節(jié)中點的距離d1和其他8個關(guān)鍵關(guān)節(jié)與參考節(jié)點的距離d2，d3，d4，d5，d6，d7，d8，d9，通過d1的大小可以判斷人體是否處于站立狀態(tài)(包括走、跑等站立狀態(tài)動作)，而通過其他8個距離大小變化可以判斷相應(yīng)節(jié)點的運動狀態(tài)。為了消除個體體型差異問題，將距離歸一化處理(距離除以h)得到9個關(guān)鍵關(guān)節(jié)點的歸一化距離，h表示人體處于站立狀態(tài)時頭節(jié)點A1到兩個踝關(guān)節(jié)A14和A15的中點A16的距離。位置特征定義如表3所示。

1．4人體關(guān)鍵關(guān)節(jié)的速度特征在有了關(guān)鍵關(guān)節(jié)位置特征的輔助下，某些類似動作還是無法明顯區(qū)分，如走和原地踏步，兩種動作的角度特征變化與位置特征變化基本一致，這個時候區(qū)分兩種動作就需要通過引入速度特征，原地踏步時人整體沒有位移，速度為0;而走時人體是有位移的，速度不為0。由于相鄰兩幀時間差很小，故可以將相鄰兩幀的位移看做是第i幀的速度。通過整體速度特征可以判斷人體整體的速度，利于區(qū)分原地動作和走、跑等非原地動作;通過手臂2個腕關(guān)節(jié)的速度特征可以判斷人體手臂運動狀態(tài)，利于識別拳擊這種快速手臂運動的行為;通過腿部2個踝關(guān)節(jié)的速度特征可以判斷人體腿部運動狀態(tài)，利于識別走、跑這種腿部運動較多的動作。

2MCRF模型

假設(shè)y={yi，i=1，2，…，n}表示觀測樣本序列，yi是第i幀的觀測數(shù)據(jù)，x={xi，i=1，2，…n}表示觀測樣本序列的標(biāo)記。Lafferty等給出了條件隨機場模型的數(shù)學(xué)表達式。

3異常行為檢測

3．1異常行為異常行為定義為特殊環(huán)境下的某種特定行為，如拳擊，逃逸，在地鐵出口處反向進入，取款機處徘徊等等，訓(xùn)練的樣本行為共有6種:bend，boxing，wave1(揮左手)，wave2(揮右手)，walk，run。將其中的2種:boxing(拳擊)和run(逃逸)定義為異常行為，其他4種行為定義為正常行為。

3．2異常行為檢測對訓(xùn)練樣本進行訓(xùn)練得到MCRF模型參數(shù)，在獲得模型參數(shù)后，測試視頻序列經(jīng)過MCRF模型推斷得到一組觀測序列的最大可能標(biāo)記，通過這組標(biāo)記序列判斷這組測試視頻序列的行為，為此需要設(shè)置一個閾值p=80%。當(dāng)測試序列的某一類標(biāo)記所占比重pi≥p時，認(rèn)定這組測試序列是第i種行為，i=1，2，3，4，5，6對應(yīng)bend，boxing，wave1，wave2，walk，run這6種行為。當(dāng)i=2，6時，即測試序列行為表示boxing和run行為時，認(rèn)定這組測試序列是異常行為。

4實驗結(jié)果與分析

實驗平臺為PC機，CPU為Inter雙核T8100，主頻2．1GHz，內(nèi)存2．0GB，操作系統(tǒng)為windowXP，32位。主要函數(shù)采用C++、matlab編程，并在mat-lab2011b環(huán)境下對其調(diào)用。實驗數(shù)據(jù)來自kinect拍攝，包括6種行為:bend，boxing，wave1，wave2，walk，run。每種行為包括10個人的視頻樣本，每個人每種行為做20次，總共1200段視頻序列，其中1000段視頻序列作為訓(xùn)練數(shù)據(jù)，剩下200段視頻序列作為測試數(shù)據(jù)，這200段測試視頻序列包含有4種正常行為和2種異常行為(boxing和run)。實驗結(jié)果由表5可知，基于MCRF的異常行為檢測的6種行為中，bend檢測率最高為99．5%，boxing檢測率為96．5%，wave1檢測率為98．6%，wave2檢測率為96．6%，walk和run的檢測率相比較而言比較低，為93．1%和94．1%。由于walk和run行為動作比較接近，故walk和run的檢測率與其他行為相比較低。表6給出了基于MCRF的異常行為檢測方法與其他方法檢測率的比較，其中文獻［11］中采用的HMM模型不能聯(lián)系上下文、限制特征的選擇，檢測率為92．5%。文獻［12－13］所用特征均為2D特征，不包含深度信息，無法解決遮擋問題，檢測率分別為91．7%和94．17%。基于MCRF模型的異常行為檢測方法采用的是由骨架數(shù)據(jù)處理得到的3D特征，模型采用的是MCRF模型，具有融合多特征和聯(lián)系上下文信息的優(yōu)勢，檢測率高于以上方法，對特定行為的平均檢測率達到了96．4%，對異常行為boxing(拳擊)和run(逃逸)的平均檢測率達到了95．3%。

5結(jié)語

文中提出一種基于多條件隨機場模型(MCRF)的異常行為檢測方法，MCRF模型具有融合多特征和聯(lián)系上下文信息的優(yōu)勢。通過Kinect獲得的3D骨架數(shù)據(jù)，經(jīng)過特征提取得到角度、位置、速度三類特征，形成多類特征子集，利用基本的CRF模型對每一類特征子集建模，形成多個CRF單元，然后組合所有的CRF單元，得到MCRF模型，最后利用MCRF模型進行異常行為檢測。實驗結(jié)果表明具有較高的檢測率，達到了96．4%。基于MCRF的異常行為檢測方法只能識別單個人的行為，而不能識別多人交互的行為(如兩人拳擊對打等)以及群體的行為(如火災(zāi)逃生等)，如何識別多人交互和群體行為是下一步的研究方向。

作者：葉璐郭立劉皓單位：中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系 中國科學(xué)技術(shù)大學(xué)物理系