利用基于灰度共生矩阵(GLCM)纹理测度的时间分析检测暴力与异常人群活动
计算机视觉与模式识别
2017-04-04 v2
摘要
由袭击相关暴力造成的持续损伤的严重程度可通过缩短检测时间而降至最低。然而，已有研究表明，人类操作者在面对同时呈现的多路视频源时，对视频片段中事件的检测表现很差。我们利用计算机视觉技术开发了一种异常人群检测的自动化方法，可辅助人类操作者检测暴力行为。我们观察到城市中心环境中的行为常发生在拥挤区域，导致个体动作被其他人群成员遮挡。我们提出了一种实时描述子，通过使用灰度共生矩阵(GLCM)特征的时间汇总来编码人群纹理的变化，从而对人群动态建模。我们引入了帧间均匀性(IFU)度量，并证明与其他类型的人群行为相比，暴力行为的出现在均匀性上变化更小。我们提出的方法计算代价低并提供实时描述。使用私有CCTV数据集和公开的Violent Flows、UCF Web Abnormality以及UMN Abnormal Crowd数据集评估我们的方法，我们分别报告了接收者操作特征分数为0.9782、0.9403、0.8218和0.9956。
引用
@article{arxiv.1605.05106,
title = {Detecting Violent and Abnormal Crowd activity using Temporal Analysis of Grey Level Co-occurrence Matrix (GLCM) Based Texture Measures},
author = {Kaelon Lloyd and David Marshall and Simon C. Moore and Paul L. Rosin},
journal= {arXiv preprint arXiv:1605.05106},
year = {2017}
}
备注
Published under open access, 9 pages, 12 Figures