تشخيص ناهنجاري در ويدئوي نظارتي بر مبناي جريان نوري

Anomaly Detection in Surveillance Video Based On Optical Flow

با توجه به اهميت بسيار بالاي تشخيص ناهنجاري در ويدئوهاي نظارتي در راستاي افزايش دقت و سرعت در تشخيص ناهنجاري تحقيقات بسيارگسترده صورت گرفته است. در اين مقاله يك روش كارآمد براي شناسايي ناهنجاري در ويديوي نظارتي بر اساس تحليل الگوهاي رفتاري و محاسبه ي ويژگي هاي سطح پيكسل پيشنهاد و پياده سازي شده است. اين روش مبتني بر جريان نوري است و درآن محاسبه ي جريان نوري بر اساس الگوريتم رديابي KLT است. ردياب KLT متدوالترين روش براي محاسبه جريان نوري است و فقط روي نقاط ويژگي خوب استفاده مي شود. استفاده از تفريق پس زمينه باعث مي شود پيكسل هاي كمترو در حال حركت در نظر گرفته شوند و باعث افزايش كارايي محاسبه ي جريان نوري مي شود. اين روش برروي مجموعه داده هاي ارزيابي شده به نام UCSD Ped تست شده است، اين مجموعه داده توالي هاي آموزشي فقط با عابران پياده را فراهم مي كندو غيرعابرپياده ها را به عنوان ناهنجاري علامت گذاري مي كند.

Considering high importance of recognizing unusual events in surveillance videos expanded researches have been performed in respect of increasing precision and speed of Anomaly Detection. In this paper an efficient method of identification of Anomaly in surveillance videos has been implemented and proposed according to analysis being made on behavior patterns and computing characteristics at pixel level. The method is based on optical flow in which optical flow is computed according to KLT tracking algorithm. KLT is the most common method of optical flow computation for which only good points are applied. Using background subtraction results in less pixels to be considered and consideration is made when they are moving And increases efficiency of optical flow computation. The Method has been tested on one of evaluated data sets called UCSD Ped. This data set provides educational sequences just with pedestrians and marks non-pedestrians as anomalies