航空场景中移动对象异常行为自动识别技术研究

At present, abnormal event occurs in scenes such as departure lounge in airport, apron and cabin of the plane is detected from monitoring videos manually. However automatic method is needed for initiative and real-time requirements. Abnormal event is normally measured by the action of moving objects, and it can be detected through behavior of moving objects which expressed by its own action and the interaction between objects. Mixture Dynamic Texture model is effective in abnormal detection from the action of moving objects, but it is time consuming. This proposal aims to improve the efficiency by presenting new features with scalability and description, and also study the interactive pattern between objects and scene. The existing automatic abnormal detection methods try to extract high level semantic information such as ''abnormal'' from signals, which is limited due to the semantic gap. This proposal introduces interactive technology to define the ''abnormal'' by human experts. Then a top-down scheme is used in the mapping model among scene, abnormal behavior and sensitivity degree of abnormal. The scene is described by a proposed scene model which expresses action of moving objects, interactive behavior and other properties of the scene. The methods proposed in this proposal provide fundamental technology for aviation security and improve the development of video monitoring in aviation industry.

目前候机厅、停机场和机舱等航空场景中异常事件的识别由人工完成，缺乏主动性和实时性，自动识别场景异常亟待研究，而场景异常通常由移动对象的行为体现，因此需要研究移动对象异常行为自动识别技术。移动对象的行为由其自身运动及与其它对象的互动体现，针对前者，基于混合动态纹理的模型效果好，但运算极耗时，本项目拟研究刻画能力强且具可扩展性的特征以实现快速建模与检测；同时研究对象间、对象与场景的互动模式。现有自动识别方法一般利用信号特征提取高级语义，语义鸿沟决定了其局限性，本项目结合自顶向下框架，研究交互式异常行为识别及其敏感度评价模型，利用交互式技术引入航空专家对异常的描述，研究场景特征与标定的异常行为及其敏感程度之间的映射模型，其中场景特征由场景模型描述，该模型应能表达或支持计算对象运动行为、互动行为以及场景其它属性。本项目的研究可对维护航空安全提供基础技术，将推动航空领域自动视频识别技术的发展。

航空场景的视频监控主要特征为室内场景，多目标的单摄像头以及多摄像头监控，其应用需求为实时自动发现异常并发出预警信息。基于此，本课题将研究集中于对象跟踪、动作识别、异常识别及敏感度分级等问题，研究成果可用于从视频中根据对象动作自动发现异常，识别异常级别并预警。.针对对象跟踪问题，本课题采用权重的非线性变换和扩散重采样改进基于粒子滤波的跟踪算法，在对象跟踪的准确性和鲁棒性方面有较大提升；针对动作识别问题，本课题集中针对高斯分布型图像特征流形特征进行分析研究，分别研究基于李群流形与格拉斯曼流形的图像特征及基于该特征的学习识别算法，研究表明，基于流形的图像特征对于光照、背景、角度等易变环境因素具鲁棒性；另外，针对多对象互动问题，本课题受人体神经系统中视觉感受域的结构与功能特征的启发，提出了底层特征提取算法，该算法能够对各个图像特征区域的空间结构进行有效编码。研究表明对于提高多目标物体跟踪与识别的准确性有较大帮助；在场景建模方面，一种新的时空布局建模方法能够将时空特征有效组织成紧凑向量，同时有助于提升识别效果；针对交互式异常行为识别及敏感度分级问题，本课题提出一种新的基于密集采样和李代数高斯表示特征的动作识别方法，这一方法采用线性支持向量机对动作进行识别，进行异常及敏感度级别判定。.以上内容的研究成果以论文形式发表于国际期刊和国际会议论文集，其核心技术方法能够对民航视频监控应用起到技术支撑作用。