在視訊監控中，異常事件偵測是一個重大的議題，透過電腦視覺分析視訊中的物體，進而判斷是否異常。傳統的異常事件偵測方法是透過事先定義異常事件規則來判斷，但真實世界的情況較為複雜，無法每一種異常都事先定義。鑑於以上方法的缺點，我們設計一套學習模式，不需要事先定義異常規則，而能自動檢測出異常事件與物體。
本技術提出一個可應用於各種環境中，即時自動偵測出異常事件的方法。首先，我們以運動物體為例，偵測場景上的運動物體，例如行人、車輛，它是利用高斯混合模型被偵測出來，並透過陰影濾除法消除物體陰影，再利用Blobs檢測出運動物體。接著，我們提出一個結合卡爾曼濾波器的改良式Mean Shift演算法，對這些運動物體進行追蹤，最後，使用卡爾曼濾波器平滑軌跡資料。
在異常事件偵測的程序中，我們將收集到的軌跡資訊，利用自我組織增量神經網路(Self-organizing incremental neural network; SOINN)，將這些軌跡資訊進行學習，而獲得一個正常的軌跡模組。之後，作為判斷運動物體是否正常的依據，反之即異常，自我組織增量神經網路具有抗雜訊等優點。
在實驗的部份，我們針對不同環境進行分析，例如：校園廣場、馬路、單行道。根據我們提出的方法，可以正確偵測到異常事件：在校園廣場的準確性是100％；在馬路是98.3％；在單行道是98.8％，且整體執行時間頗為快速，約需0.033秒到0.067秒。
|
技術摘要：
專利行銷平台
