بخشی از مقاله
خلاصه
با توجه به اهمیت بسیار بالای تشخیص ناهنجاری در ویدئوهای نظارتی، در راستای افزایش دقتو سرعت در تشخیص ناهنجاری، تحقیقات بسیارگسترده صورت گرفته است. در این مقاله یک روش کارآمد برای شناسایی ناهنجاری در ویدئوی ظارتی بر اساس تحلیل الگوهای رفتاری و محاسبهی ویژگیهای سطح پیکسل پیشنهادو پیادهسازی شده است.
این روش مبتنی بر جریاننوری استو درآن، محاسبهی جریان نوری بر اساس الگوریتم ردیابی KLT است. ردیاب KLT متدوالترین روش برای محاسبه جریان نوری است و فقط روی نقاط ویژگی خوب استفاده میشود. استفاده از تفریق پسزمینه باعث میشود پیکسلهای کمترو در حال حرکت در نظر گرفته شوند و باعث افزایش کارایی محاسبهی جریاننوری میشود. این روش برروی مجموعه دادههای ارزیابی شده به نام UCSD Ped تست شده است، این مجموعه داده، توالیهای آموزشی فقط با عابران پیاده را فراهم میکندو غیرعابرپیادهها را به عنوان ناهنجاری علامتگذاری میکند.
.1 مقدمه
در سالهای اخیر گسترش سریعی در زمینهی نظارت تصویری دوربینهای مدار بسته از راه دور وجود داشته است، که عمدتاً پاسخی به افزایش اعتراضات به گسترش جرائم و آسیبهای آن به ایمنی و امنیت اجتماع میباشد . بسیاری از سیستمهای نظارت ویدئویی مرسوم کاملاً به اپراتورهای انسانی برای مانیتور کردن فعالیتها و تعیین اقداماتی که باید پس از یک حادثه انجام شوند، وابسته است. متأسفانه، اکثر حوادث ممکن در این سیستمهای دستی، به سادگی اشتباه تشخیص داده میشوند، که بخاطر محدودیتهای ذاتی در بکارگیری اپراتورهای انسانی برای بررسی تصاویر ویدئوهای نظارتی است.
از کاربردهای مهم تحلیل و فهم ویدئویی، نظارت هوشمند با هدف تفسیر اتوماتیک فعالیتها و تشخیص حوادث غیرمعمولی است که ممکن است تهدیدی برای امنیت و ایمنی عمومی محسوب شود و تشخیص اشتباه این رویدادهای مهم در وظایف نظارتی بحرانی ،میتواند خطرناک باشد. از این رو مطالعات و تحقیقات بسیاری در زمینه رفع مشکلات مربوط به تشخیص رویدادهای ناهنجار در ویدئوهای نظارتی صورت گرفته است. بر طبق تعاریف ارائه شده، رفتارهای ناهنجار آن دسته از رویدادها هستند که آمار کمی از آنها در پایگاه داده موجود است یعنی یا به ندرت اتفاق می افتند و یا اینکه قبلاً مشاهده نشدهاند و غیرقابل پیشبینی هستند. برخی از کاربردهای تشخیص ناهنجاری عبارتند از تشخیص ورود بدون مجوز، تشخیص اشیای نامطلوب، تشخیص تأخیر، تشخیص اشیای نزدیک به عقب خودرو، تصادفات، تخلفات رانندگیو مدیریت جمعیت.
.2روشهای تشخیص رفتار ناهنجار
تحلیل الگوهای رفتاری رویکردی مؤثر برای شناسایی ناهنجاری و پیشبینی رفتار است که عموماً در این دسته از مدلها از زیرمجموعهای از مراحل زیر استفاده میشود:
1 - محاسبه ویژگی درسطح پیکسل که هیستوگرام جریاننوری و هیستوگرام گرادیان جهتدار از ویژگیهای سطح پیسکل میباشند.
- 2 تراکم ویژگی درفضا یا زمان
- 3 انتقال ویژگیها به دامنه های معین مانند مدل نمایش پراکنده
- 4 استفاده از طبقهبند یا کلاسهبند مانند استفاده از ماشین بردار پشتیبان
- 5 تعیین آستانه و مقایسهی ویژگیهای فیلم آموزشی و تست با یکدیگر پس از تعیین مقدار آستانه
همچنین میتوان از دانش الگوهای حرکت برای شناسایی حرکتهای ناهنجار و پیشبینی رفتارهایشان استفاده کرد. ردیابی شیء، برای این است که مسیر حرکت شیء به دست آیدو همچنین کارهایی مانند رویداد آشکارسازی و فهم رفتار در سطح بالایی انجام شود .به طور اسمی ردیابی ، جفت کردن اشیاء آشکارسازی شده با قابهای پیدرپی است. اما ردیابی برای صحنههای شلوغ معتبر نیست[5] و نیز امکان هشدارهای نادرست، به دلیل محدودیت به صحنهای که در آن ردیابی انجام میشودو یا عدم ردیابی و یا ایجاد اهداف کاذب در این مدلها زیاد است.
.3 روش پیشنهادی
مدل پیشنهادی برمبنای الگوهای رفتاری و از طریق محاسبهی ویژگیهای سطح پیکسل به تشخیص ناهنجاری در ویدئو میپردازد. این مدل، برای تشخیص رویداد ناهنجار، از جریان نوری برای استخراج حرکت پیکسلهای منحصر به فرد بین فریمهای متوالی استفاده میکند. زمان محاسبهی جریاننوری با استفاده از تفکیک نمودن پیشزمینه از پسزمینه کاهش مییابد چرا که در این حالت، فقط پیکسلهای کمترو در حال حرکت در نظر گرفته میشوند. همچنین با استفاده از ردیاب KLT ویژگیهای خوب ردیابی میشوندو سپس جریاننوری استخراج میگردد که این امر باعث تقویت جریاننوری میگردد. نسبت به روشهای دیگر کانال ویژگی جدیدی به نام پیشزمینه به ویژگی هر نمونه اضافه میگردد. دیاگرام روش پیشنهادی در شکل 1 نشان داده شده است.
شکل -1 دیاگرام مدل مبتنی بر جریان نوری
.1-3ورود فریم تصویر
در این مرحله تصویر یا فریم از ورودی دریافت میگردد. اگر تصاویر مورد استفاده، فیلم باشد، برای پردازش باید به فریمهای آن تجزیه گردد. تصاویر با فرمت گری میباشند و در مرحلهی پیشپردازش عملیات نویزگیری نیز در صورت لزوم روی تصاویر انجام میگیرد. این فریم ورودی به عنوان فریم ورودی در لحظه i-1 در نظر گرفته می شود.
.2-3 یافتن ویژگیهای خوب
برای افزایش بخشیدن سرعت پردازش ردیابی در فریمهای متوالی، باید به دنبال ویژگیهای خاصی باشیم که حاوی اطلاعات ارزشمندی باشند. با یافتن ویژگیهای مناسب، به جای اینکه تمام پیکسلها مورد ردیابی قرار بگیرند فقط بعضی از پیکسلها یعنی همان ویژگیها مورد ردیابی قرار میگیرد. این ویژگیها میتوانند بافت، لبهی تصویر، گوشهی تصویر و یا رنگ باشند. گوشههای تصویر برای ردیابی با ارزش هستند زیرا برای تناظریابی بین فریمها مقاومتر هستندو از آنها به عنوان ویژگیهای خوب یاد میشود.
یکی از الگوریتمهای پرکاربرد برای یافتن نقاط گوشهی تصاویر، الگوریتم هریس است. ما نیز در مدل پیشنهادی از ویژگی گوشه استفاده کردهایم. الگوریتم هریس از این ایده بهره میگیرد که در صورتی که یک پنجره روی گوشه قرار داشته باشد با جابجا کردن آن ، تغییر مقادیر آن مثبت خواهد بود. مقداری که در نتیجهی الگوریتم هریس، به دست میآید، مقیاسی است برای تعیین گوشه بودن یا نبودن هر پیکسل، بنابراین باید از یک حد آستانه برای فیلترکردن مقادیر کوچکتر از حد آستانه استفاده شودو تنها مقادیر بزرگتر از حد آستانه به عنوان کاندیدی برای گوشه ها استفاده میشود. شکل2 نتایج استخراج ویژگی را بر روی فریم ورودی نشان میدهد.
