شناسایی و دسته‌بندی رفتارها به‌منظور آشکارسازی رفتارهای غیر معمول با استفاده از مدل مارکوف مخفی

نویسندگان

1 دانشجوی دکتری مهندسی برق- مخابرات، دانشگاه تبریز

2 دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل

3 دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز

چکیده

 این مقاله یک رهیافت برای مدل کردن رفتارهای معمول و آشکارسازی رفتارهای غیر معمول ارایه می‌دهد. این رهیافت از چند بخش اصلی تشکیل شده است. ابتدا با استفاده از یک روش آشکارسازی، ناحیه‌های متحرک و پیش‌زمینه جداسازی می‌شوند. در مرحله‌ی بعدی نرخ‌های اشغال- ساکن (Busy-Idle) به­عنوان ویژگی‌های رفتاری تعریف می‌شوند و بر اساس این ویژگی‌ها، برای هر بلوک از پیکسل‌ها یک مدل رفتاری استخراج می‌شود. به شرط یک مجموعه از داده‌های معمول، از روش دسته‌بندی طیفی برای دسته‌بندی رفتارهای معمول استفاده می‌شود. در این دسته‌بندی، بلوک‌های پیکسل‌هایی که رفتارهای مشابه دارند، در یک دسته قرار می‌گیرند. سپس برای بلوک‌هایی که در یک دسته قرار گرفته و رفتار مشابه دارند، یک مدل رفتاری برای آن دسته تعریف می‌گردد. مدل رفتاری پیشنهادی در این مقاله یک مدل مارکوف مخفی (HMM) می‌باشد. نتایج دسته‌بندی و رفتارهای معمول به‌دست آمده برای آشکارسازی رفتارهای غیر معمول استفاده می‌گردد. به این ترتیب که با توجه به مدل‌های رفتاری معمول هر دسته، اگر برای یک بلوک پیکسل نمونه، احتمال آرایه‌ی مشاهده شده به شرط مدل‌های معمول، از یک حد آستانه کمتر باشد، آن بلوک به­عنوان محلی که در آن رفتار غیر معمول اتفاق افتاده شناخته می‌شود. نتایج آزمایش روی داده‌های ویدیویی، کارآمد بودن، دقیق بودن و سرعت رهیافت پیشنهادی را نشان می‌دهد.

کلیدواژه‌ها


   [1]      D. Kosmopoulos, A. Voulodimos and T. Varvarigou, "Behavior Recognition from Multiple Views Using Fused Hidden Markov Models", springer,Artificial Intelligence: Theories, Models and Applications, Vol. 6040, pp. 345-350, 2010.

   [2]      N. Anjum and A. Cavallaro , "Multifeature Object Trajectory Clustering for Video Analysis", IEEE Transactions on Circuits and Systems for Video Technology, Vol. 18, No. 11, pp. 1555 - 1564, 2008.

   [3]      C. C. Loy, T. Xiang and S. Gong, "Detecting and discriminating behavioural anomalies", Pattern Recognition, Vol. 44, No. 1, pp. 117-132, 2011.

   [4]      F. Jiang, J. Yuan, S. A. Tsaftaris and A. K. Katsaggelos, "Anomalous video event detection using spatiotemporal context", Computer Vision and Image Understanding, Vol. 115, No. 3, pp. 323-333, 2011.

   [5]      D.Y Chen and P. C Huang, "Motion-based unusual event detection in human crowds", Journal of Visual Communication and Image Representation, Vol. 22, No. 2, pp. 178-186, 2011.

   [6]      B.D. Lucas and T. Kanade, "An iterative image registration technique with an application to stereo vision", Proceedings of the 1981 DARPA Imaging Understanding Workshop, pp. 121–130, 1981.

   [7]      I. Saleemi, K. Shafique and M. Shah, "Probabilistic Modeling of Scene Dynamics for Applications in Visual Surveillance", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 31, No. 8, pp. 1472 - 1485 , 2009.

   [8]      X. Wang, X. Ma and W. L. Grimson, "Unsupervised Activity Perception in Crowded and Complicated Scenes Using Hierarchical Bayesian Models", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 31, No. 3, pp. 539 - 555, 2009.

   [9]      D. M. Blei, A.Y. Ng and M.I. Jordan, "Latent Dirichlet Allocation", Journal of Machine Learning Research , Vol. 3, pp. 993-1022, 2003.

[10]      Y.W. The, M.I. Jordan and M.J. Beal, "Hierarchical Dirichlet Process", Journal of the American Statistical Association, Vol. 101, No. 476, pp. 1566-1581, 2006.

[11]      E. B. Ermis, P. Clarot and P. M. Jodoin, "Activity Based Matching in Distributed Camera Networks", IEEE Transactions on Image Processing, Vol. 19, No. 10, pp. 2595 - 2613, 2010.

[12]      P. Clarot, E. B. Ermis and P. M. Jodoin, "Unsupervised Camera Network Structure Estimation Based on Activity", Third ACM/IEEE International Conference on Distributed Smart Cameras, pp. 1 - 8 , 2009.

[13]      P. M. Jodoin, V. Saligrama and J. Konrad, "Behavior Subtraction", Proceedings of SPIE, Vol. 6822, 2009.

[14]      M. Piccardi. "Background subtraction techniques: a review", In IEEE International Conference on Systems, Man and Cybernetics, Vol. 4, pp. 3099–3104, 2004.

[15]      L. Z. Manor, and P. Perona, "Self-Tuning Spectral Clustering", in Advances in Neural Information Processing Systems, 2004, pp. 1601-1608.

[16]      U. V. Luxburg, "A tutorial on spectral clustering", Journal Statistics and Computing, Vol. 17, No. 4, pp. 395 - 416, 2007.

[17]      L. R. Rabiner. "A tutorial on hidden Markov models and selected applications in speech recognition"In Readings in speech recognition, pp. 267–296. Morgan Kaufmann Publishers Inc., 1990.

[18]      Z. Ghahramani. "An introduction to hidden Markov models and Bayesian networks, " In Hidden Markov Models: Application in Computer Vision Series in Machine Perception and Artificial Intelligence, Vol. 45, chapter 2. Morgan Kaufmann Publishers Inc., 2001.

[19]      L. E. Baum, G. Soules, and N. Weiss. "A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains". Ann. Math. Stat., Vol. 41, No. 1, pp. 164- 171, 1970.

http://www.cvg.rdg.ac.uk/PETS2006/data.html