云计算模式下视频监控中异常行为检测与传输实时性研究

云计算模式的发展为异常行为视频监控系统中的海量视频数据存储、多路视频的实时处理、交互式监控的数据共享问题以及系统的组网提供了解决方案框架。本课题拟从两个方面开展云计算模式下视频监控中异常行为检测与传输实时性研究。(1)针对基于正常行为样本学习实现对异常行为识别方法的缺点,考虑到群体异常行为的多样性和不确定性，引入流体力学拉格朗日框架下的脉线流概念，使用亥姆霍兹分解定理计算人群流脉线的流向以及势函数，实现更精确的人群流建模，研究不可预知的群体异常行为识别算法，提出一个新的人群流分析研究方向。（2）针对云计算模式下的面向流程的视频数据密集型应用在数据布局和实时传输方面面临的挑战，本课题在全面考虑数据传输次数、数据集大小以及不同数据中心间的网络带宽等因素基础上，提出数据密集型应用的三阶段数据布局策略，减少数据传输的时间开销。这两个关键问题的研究成果将为视频监控应用提供理论依据。

针对异常行为识别问题，根据监控场景中人群密度的不同，将研究内容分为远距离高密度人群和近距离个体行为人的两类异常行为识别算法研究；针对海量视频传输问题重点研究了传输调度中的负载均衡问题。. （1）针对远距离的高密度人群场景，考虑到群体异常行为的多样性和不确定性，引入流体力学拉格朗日框架下的脉线流概念，利用脉线计算出人群流体的势函数，结合分水岭算法实现实现了复杂人群流的视频分割。而人群流异常行为识别则是使用亥姆霍兹分解定理对每帧人群流的势函数分解得到速度势和流函数，进行奇异值提取，实现每个视频帧的运动特征描述；一个视频段的奇异值特征则构成一个多维矩阵，采用PCA对其降维，得到描述本段视频人群流运动特性的描述符；最后使用支持向量机对样本库中的正负样本进行分类训练，实现对人群流行为是否异常进行判别。试验中采用DMN和UCF数据集进行测试，表明在DMN数据集下测试识别率优于当前的识别方法；在UCF数据下由于视频源的随机性更大，其识别率略低于DMN测试结果。. （2）针对近距离行为人个体的异常行为识别，本项目采用了基于行为模版的识别方法。在行为模板训练阶段：以异常行为视频段（如晕倒或打架行为）为学习样本，首先，采用具有尺度不变性的Hessian矩阵方法获得学习样本的时空特征点；其次，借鉴SURF的思想构建其描述符；再次，对学习样本的全部描述符采用NERF C-Mean方法聚类，并对聚类结果采用EM-GMM方法建模；最后，计算每个学习样本的时空特征点描述符隶属于各类GMM模型的概率分布向量，将所有学习样本的概率分布向量组成编码表，作为行为检测的模板。异常行为检测是通过计算每个测试视频段的描述符隶属于各类GMM模型的概率分布向量，用直方图相交法分别计算这一分布向量与编码表中每个子模版的相似度，并取最大值，当其大于一定的阈值时就认为异常，否则为正常行为。此外，还使用了SVM的识别方法。在CASIA行为数据库和自拍测试视频中进行了多次试验，取得了较好的识别效果。. （3）根据多智能体遗传算法(MAGA)，结合视频数据传输次数、数据集大小以及各数据中心之间网络带宽等因素，采用三阶段布局方案建立了负载均衡优化策略。实验结果表明，多Agent遗传算法能够在CPU负载和内存负载均衡效果优于Min_min算法，为视频数据传输与处理等任务调度的优化提供了良好的方案。