شناسايي و دسته‌بندي رفتارها به‌منظور آشكارسازي رفتارهاي غير معمول با استفاده از مدل ماركوف مخفي

Identification and classification of behaviors for abnormal behaviors detection using hidden Markov model

اين مقاله يك رهيافت براي مدل كردن رفتارهاي معمول و آشكارسازي رفتارهاي غير معمول ارايه مي‌دهد. اين رهيافت از چند بخش اصلي تشكيل شده است. ابتدا با استفاده از يك روش آشكارسازي، ناحيه‌هاي متحرك و پيش‌زمينه جداسازي مي‌شوند. در مرحله‌ي بعدي نرخ‌هاي اشغال - ساكن (Busy-Idle) به ­عنوان ويژگي‌هاي رفتاري تعريف مي‌شوند و بر اساس اين ويژگي‌ها، براي هر بلوك از پيكسل‌ها يك مدل رفتاري استخراج مي‌شود. به شرط يك مجموعه از داده‌هاي معمول، از روش دسته‌بندي طيفي براي دسته‌بندي رفتارهاي معمول استفاده مي‌شود. در اين دسته‌بندي، بلوك‌هاي پيكسل‌هايي كه رفتارهاي مشابه دارند، در يك دسته قرار مي‌گيرند. سپس براي بلوك‌هايي كه در يك دسته قرار گرفته و رفتار مشابه دارند، يك مدل رفتاري براي آن دسته تعريف مي‌گردد. مدل رفتاري پيشنهادي در اين مقاله يك مدل ماركوف مخفي (HMM) مي‌باشد. نتايج دسته‌بندي و رفتارهاي معمول به‌دست آمده براي آشكارسازي رفتارهاي غير معمول استفاده مي‌گردد. به اين ترتيب كه با توجه به مدل‌هاي رفتاري معمول هر دسته، اگر براي يك بلوك پيكسل نمونه، احتمال آرايه‌ي مشاهده شده به شرط مدل‌هاي معمول، از يك حد آستانه كمتر باشد، آن بلوك به ­عنوان محلي كه در آن رفتار غير معمول اتفاق افتاده شناخته مي‌شود. نتايج آزمايش روي داده‌هاي ويديويي، كارآمد بودن، دقيق بودن و سرعت رهيافت پيشنهادي را نشان مي‌دهد.

This paper presents a new approach for modeling the normal behaviors and detecting the abnormal behaviors. The approach consists of several main steps. First, using a detection method, the foreground and background regions are separated. Then, the busy-idle rates are defined as the behavioral features and, based on these features, a behavioral model is extracted for each pixel block. In the following, spectral clustering is used to classify the normal behaviors on the condition that a set of normal data is provided. In the classification process, the pixel blocks with similar behaviors are grouped together. A behavioral model is defined for each group of the blocks with similar behaviors. The behavioral model adopted in this paper is Hidden Markov Model. The results of the obtained classification and normal behaviors are used to detect the abnormal behaviors; i.e., based on the normal-behavior model for each cluster, if the observation sequence probability given by the normalbehavior model is lower than the threshold level, the pixel block is identified as the region in which the abnormal behaviors happened. The experimental results obtained from video data confirm the efficiency, accuracy, and speed of the approach adopted in this paper.