人群中的异常行为是一大潜在威胁,自动检测监控中的异常行为成为近年的研究热点之一。然而,由于异常的未知性与复杂性,已有的检测方法仍然存在检测率低、定位精度差的问题。为此,提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域;对运动区域分割得到有效的运动块,从中提取表示外观和动态的两种特征,即局部H梯度方向直方图G和局部H光流方向直方图F特征;使用k-means方法对运动块进行聚类,对每类样本使用一类分类器进行建模。最后,加入运动连续性约束,以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明,本文方法明显优于已有的检测方法,且可以满足正确率高、抗干扰能力强等实际工程需求。

基于融合多幅低动态图像来获取高动态图像的过程中, 传统方法中低动态图像获取时对曝光时间选取的策略简单, 使拍摄的多幅图像信息冗余较多, 严重影响融合效率。提出了一种基于局部信息熵最大准则的多曝光控制方法。讨论了低动态场景图像信息熵与曝光时间的关系, 得出了低动态范围场景的图像信息熵随曝光时间的增加呈现先增加后减小的规律, 并在某个曝光时间处信息熵最大。对于高动态场景, 首先, 利用图像平均灰度响应与曝光时间的近似线性关系确定场景的曝光时间范围; 然后, 根据图像直方图将高动态场景分成若干个低动态范围场景区域; 最后, 以信息熵最大为优化目标, 设计一维搜索算法, 搜索各个低动态范围区域的最优曝光时间, 直到所有区域都搜索到最优曝光时间。此方法将场景的局部信息熵与曝光时间联系起来, 能针对不同的区域进行曝光时间优化, 目的性强, 有效地避免了传统曝光控制中的缺点, 实验证明: 用该方法获取的图像进行融合获得了良好的效果。

现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常, 忽略了对轨迹时域异常的检测, 并且检测精确度不高, 针对此类问题, 提出了基于增强聚类的异常轨迹检测算法。首先, 采用基于速度的最小描述长度(VMDL)准则把轨迹简化成有序线段; 然后, 使用改进的线段间的距离定义, 基于DBSCAN算法把线段分为不同的类, 以建模局部正常运动模式; 最后, 采用先检测空间异常性再检测时间异常性的二级检测算法, 检测时空异常轨迹点。在多个测试集上的实验结果表明: 该算法可以检测位置、角度、速度等三种时空异常轨迹点, 相对于其他算法, 明显提高了异常轨迹检测的精确度。