本站小編為你精心準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，激發您的寫作靈感。歡迎深入閱讀并收藏。

《通信技術雜志》2014年第六期

1特征提取

采用基于Kinect獲得的具有20個關節點的骨架模型，通過這20個關節點可以準確表達出人的行為，從這20個關節點中選取15個關鍵關節點處理得到角度、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個關鍵關節的位置特征，速度特征包含整體速度、2個腕關節的速度和2個踝關節的速度，這三類特征是表述人體行為的關鍵特征。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個手臂關節位置特征和2個腕關節的速度特征與其他行為加以區分;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分出run和walk。

1．1人體結構向量從Kinect獲得的20個關節點中選取15個關鍵關節點(頭節點A1、肩關節中心節點A2、兩個肩關節A3和A4、兩個肘關節A5和A6、兩個腕關節A7和A8、臀部中心節點A9、兩個髖關節A10和A11、兩個膝關節A12和A13、兩個踝關節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人體結構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構向量也會有很大差異，不能作為歸一化后的特征，所以要對人體結構向量進行進一步處理。當人做某一個動作時，人體結構變化基本一致，也就是說人體結構向量間的角度變化趨勢基本一致，故可選擇人體結構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個人體結構向量構成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人體關鍵關節的位置特征在某些情況下僅使用人體結構向量間的角度特征并不能描述行為的細節部分，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鍵關節的位置特征來輔助角度特征。選取頭節點、兩個肘關節、兩個腕關節、兩個膝關節、兩個踝關節作為關鍵關節。人體關鍵關節的位置特征即這9個關鍵關節點的位置信息:{d1，d2，d3，d4，d5，d6，d7，d8，d9}。以人體臀部中心節點為參考節點，人體關鍵關節的9個位置特征包括頭節點與踝關節中點的距離d1和其他8個關鍵關節與參考節點的距離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(包括走、跑等站立狀態動作)，而通過其他8個距離大小變化可以判斷相應節點的運動狀態。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個關鍵關節點的歸一化距離，h表示人體處于站立狀態時頭節點A1到兩個踝關節A14和A15的中點A16的距離。位置特征定義如表3所示。

1．4人體關鍵關節的速度特征在有了關鍵關節位置特征的輔助下，某些類似動作還是無法明顯區分，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，利于區分原地動作和走、跑等非原地動作;通過手臂2個腕關節的速度特征可以判斷人體手臂運動狀態，利于識別拳擊這種快速手臂運動的行為;通過腿部2個踝關節的速度特征可以判斷人體腿部運動狀態，利于識別走、跑這種腿部運動較多的動作。

2MCRF模型

假設y={yi，i=1，2，…，n}表示觀測樣本序列，yi是第i幀的觀測數據，x={xi，i=1，2，…n}表示觀測樣本序列的標記。Lafferty等給出了條件隨機場模型的數學表達式。

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

4實驗結果與分析

實驗平臺為PC機，CPU為Inter雙核T8100，主頻2．1GHz，內存2．0GB，操作系統為windowXP，32位。主要函數采用C++、matlab編程，并在mat-lab2011b環境下對其調用。實驗數據來自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段視頻序列作為訓練數據，剩下200段視頻序列作為測試數據，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據處理得到的3D特征，模型采用的是MCRF模型，具有融合多特征和聯系上下文信息的優勢，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系上下文信息的優勢。通過Kinect獲得的3D骨架數據，經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：中國科學技術大學電子科學與技術系 中國科學技術大學物理系