Realtime Anomaly Detection Using Trajectory-Level Crowd Behavior Learning
动机:商业摄像机用于监控
主要挑战:设计可以自动分析异常行为的方法
创新点:用在线的方法去跟踪行人并学习行为轨迹
几个定义:
1) 状态:
X:代表行人状态
P:行人位置
V:当前位置
G:中间的目标位置(intermediate goal position)(用于计算行人在没有其他人或障碍物下的最佳速度,这个速度往往与v的值不同)
整个人群的状态:
2) 跟踪系统上(2D图像)每个行人的位置,用 表示
方法:
1. 提取轨迹
使用粒子滤波作为多人跟踪的基础算法
粒子滤波跟踪器的不确定性可以通过马尔科夫只考虑当前帧和过去帧来表现出来
估计密集人群的运动轨迹,用RVO算法(局部碰撞避免和导航算法)
2. 估计状态
基于轨迹来估计行人的状态
基于之间的观察(z1……zt)计算最有可能的xt,再构成整个人群的Xt
3. 行人行为特征提取
时间窗w的设置一般基于特定的场景和底层的应用
4. 群体行为特征提取
临近的行人都有相似的轨迹
基于行人的相似性(位置、速度、距离、方向)来聚类
出事每个人都是一个小类
聚类方法:用k-means方法,在特定的时间窗口内对轨迹行为特征进行分组
把这些特征分为k组流,叫做behavior clusters
K:分为k类
N:收集到的行为特征的总数
行为类:
异常检测:
1. We primarily use our trajectory-based behavior characteristics for local anomaly detection.
2. we compare the distance between the local and global pedestrian features of every pedestrian.
3. If the Euclidean distance between the global and local feature (refer Sections 3.5 and 3.6) is more than a threshold(临界值) value, we classify it as an anomaly
动机:商业摄像机用于监控
主要挑战:设计可以自动分析异常行为的方法
创新点:用在线的方法去跟踪行人并学习行为轨迹
几个定义:
1) 状态:
X:代表行人状态
P:行人位置
V:当前位置
G:中间的目标位置(intermediate goal position)(用于计算行人在没有其他人或障碍物下的最佳速度,这个速度往往与v的值不同)
整个人群的状态:
2) 跟踪系统上(2D图像)每个行人的位置,用 表示
方法:
1. 提取轨迹
使用粒子滤波作为多人跟踪的基础算法
粒子滤波跟踪器的不确定性可以通过马尔科夫只考虑当前帧和过去帧来表现出来
估计密集人群的运动轨迹,用RVO算法(局部碰撞避免和导航算法)
2. 估计状态
基于轨迹来估计行人的状态
基于之间的观察(z1……zt)计算最有可能的xt,再构成整个人群的Xt
3. 行人行为特征提取
计算轨迹行为特征,用于描述当前位置的过去和将来的轨迹
时间窗w的设置一般基于特定的场景和底层的应用
4. 群体行为特征提取
临近的行人都有相似的轨迹
基于行人的相似性(位置、速度、距离、方向)来聚类
出事每个人都是一个小类
聚类方法:用k-means方法,在特定的时间窗口内对轨迹行为特征进行分组
把这些特征分为k组流,叫做behavior clusters
K:分为k类
N:收集到的行为特征的总数
行为类:
异常检测:
1. We primarily use our trajectory-based behavior characteristics for local anomaly detection.
2. we compare the distance between the local and global pedestrian features of every pedestrian.
3. If the Euclidean distance between the global and local feature (refer Sections 3.5 and 3.6) is more than a threshold(临界值) value, we classify it as an anomaly