基于改进的动态聚类的视频异常事件检测

异常事件检测是智能监控系统中的重要一环，尤其是对复杂的监控视频场景而言。近年来研究者提出了很多的算法来检测视频中的异常事件，然而它们中的大多数都需要在建模过程中给模型设定一系列的参数，这样不仅调参麻烦，而且在更换检测场景时需要重新设定参数。本文提出了一个基于非参数模型的异常检测算法，通过基于运动趋势的向量合并方法来构造并维护一个向量集合，并运用聚类生成出不同的事件簇，同时提出了一个预检测步骤以此来提高算法在稀疏场景下的检测效果。本文选取了一些已有的检测算法进行了对比实验，最后的实验结果表明，本文提出的检测模型在检测率以及时间性能上均有一定的优势。

随着社会的不断发展，人们对公共安全的需求变得越来越大，为了方便管理，如今越来越多的公共场合部署了视频监控设备，而监控系统也逐渐成为维护公共安全不可缺少的一环。然而一般意义下的异常事件拥有突发性等特点，为了能够在第一时间了解到异常事件的情况，通常需要花费较多的人力来长时间地盯着监控屏幕来进行观察[1]，这样不仅会使人产生疲劳，而且容易疏忽掉一些不显眼的事件。所以，复杂场景下的监控视频异常事件自动检测识别作为智能视频监控系统的核心课题，正在受到越来越多研究者的关注，然而由于光照变化、相互遮挡、重叠、无规律运动[2]以及异常事件定义不清晰[3]等的影响，使得复杂场景下的异常事件检测成为一个极具挑战性的问题。

对于复杂场景下的异常事件自动检测， 如今已经有一些效果较好的方法被提出， 比如Feng [4]等人将监控视频中那些目前为止没有出现过的、或者是出现频率很低的运动事件定义为异常事件，并提出了一个两层的聚类模型，通过对运动特征向量的聚类分析来对视频中的运动事件进行分析判断，以此来进行异常事件检测。

然而本文在对该方法进行实验的过程中发现，当监控视频场景中存在正常事件和异常事件的运动方向一致、而运动速度存在差异时， 算法的检测效果不理想， 异常事件经常会被漏检， 如图1 第一行所示， 该场景当前为止未出现过自行车，而算法也始终未能将其检测出来；同时该算法在稀疏监控场景下随着检测的进行，出现误检的概率会逐步地变高。本文针对上述的两个问题，分析了问题出现的原因，并提出了针对性的改进。最后的实验结果表明，本文提出的改进使得算法在检测率以及时间效率上均有了较大的提升。本文的主要工作如下： • 对原算法在某些特定场景下检测出现偏差的原因进行了实验分析； • 基于对问题的实验分析， 分别采用基于运动趋势合并的方法来维护大小固定的字典集合以及预检测的方法来排除背景特征对检测的干扰。