近年来，随着经济的快速发展及人们社会活动的不断增加，交通枢纽、大型活动现场及大型商场等公共场所发生人流拥堵的现象越来越频繁，而由人群拥挤引起的踩踏事件和灾祸案例变得数见不鲜，公共场所中聚集人群的安全问题变得日益突出。如果能够对人群进行监测，及时发现人群行为的异常，就可以及时采取解决措施，避免意外的发生。

能否准确实时地实现分级报警是衡量智能监控系统的重要标准之一。截至目前，国内外很少有针对异常行为敏感程度的评价体系或模型。部分国内外学者和安全研究专家开始尝试用风险管理[1—3]的方法对道路交通安全评价体系和模型，取得了一定的进展。G Weckman采用布线数学模型[1]来减少运输过程中的成本和风险；Fabiano 将危险货物运输过程中的风险影响因素[2]划分为道路固有特征、天气条件和交通状况等类，提出了面向事故现场的评价模型。杨等人[4]将异常行为分为个体行为和群体行为，包含了打架斗殴、聚集逃离等六类，参考格灵深瞳分级评价体系将不同类型的异常行为进行分级预警。然而，由于在视频监控中的异常行为种类众多，且之间没有太多联系，因此建模困难[3]。本文实现了一种基于人群密度的异常行为分级检测算法。首先对输入视频判断是否有异常行为，如果有异常行为则对该视频进行人群密度分级判断，根据人群密度来判断异常行为等级，并分级报警；如果判断为正常视频则结束。

1 异常行为检测与分级方案

群体异常行为的发生将对社会公共安全构成危害，而不同等级的群体异常行为对社会公共安全产生的危害性也不尽相同，对应的关注度和敏感度也不同。当群体异常行为发生时，针对异常行为的不同等级，也应该采取不同的措施。比如当发生异常事件的场景中群体密度较低(或者群体数量较少)时，可以认为该事件的关注度和敏感度相对较低；但是，当发生异常事件的场景中群体密度较高(或者群体数量较多)时，对应的关注度和敏感度就应该迅速提升，因为该群体异常事件可能会对社会公共安全造成很大的威胁。

本文首先引入局部光流，利用人群的平均动能变化倍率来判断视频中是否有异常行为，若有异常行为则再以人群的=密度等级为依据，将异常行为分级，分为低级、中级、高级和极高级四类。流程图如图1所示。

图1 异常行为分级流程图

人群异常行为检测属于群体行为识别的范畴，目前主要通过得到人群的运动速度和方向来判断是否有异常行为，不少学者也提出了一些针对人群异常行为检测的算法。Andrade等人[5]首先定义一种“正常群体运动”，然后采用隐马尔科夫模型(Hidden Markov Model, HMM)进行人群行为分析，但是该算法所采用的人群行为描述特征性能较差，故检测准确度较低。Wang等人[6]通过采用改进的时空体特征对群体行为进行描述，但该方法计算复杂度太高难以满足实时性要求。另外， Hassner等人[7]提出了一种基于全局光流信息的人群暴力行为检测算法，该算法检测准确度有待提高。Liu等人[8]提出用一系列基于主体运动的模型来发现群体运动轨迹，从而识别群体运动，该方法识别效果较好，但是处理速度过慢，不利于实际应用。

基于视频的人群密度分级方法大体可分为以下几类：基于像素点统计的人群密度分级方法[9]，基于纹理特征的人群密度分级方法[10]和基于个体特征的人群密度分级方法[11]。基于像素点统计的分级方法实现简单，计算量较小，但由于人群之间相互遮挡而造成最后密度分级结果误差较大，该方法只适用于人群流量密度较低场景。基于纹理特征的分级方法能较好地处理人群之间存在相互重叠、遮挡现象，能取得较好的人群密度分级，但该方法由于提取的特征数量较多，计算量较大，对中低密度场景中人群密度分级误差较大，该方法只适用于人群流量密度较高场景。基于个体特征的方法因其计算复杂度较高，在实际应用场景中很难实现实时监控。

根据我国事业单位人力资源的开发现状来看，开发内容较为单位一，主要是根据员工所在岗位开展相关教育培训工作，培训的目的在于提高岗位技能，未能够真正实现人力资源开发对员工个人价值实现、组织发展的作用。根据调查显示，员工在人力资源开发方面的期望在知识、技能、职业开发方面分布较为均匀，但是事业单位仅仅在前两方面可以满足员工需求，在职业开发方面有所欠缺，亟待补充。

在美国，人们曾称赞斯各格兰德的作品超越其他一切图像艺术作品。斯科格兰德自己也认为，她的作品需要付出更大的努力——不仅是她的努力，也需要观众的努力。她本人曾指出：“强迫症式的重复是我的创作中一个永恒不变的元素。”

2 异常行为检测与分级算法

2.1 基于平均动能变化倍率的异常行为检测

(5)最后，采用线性拟合的方法拟合出人群数量与人群前景边缘总像素点数之间的关系，估计出人群数量，进而估计出大概的人群密度。

选取2017年7月—2018年6月来院实习的本科5年制大五学生32名，随机平均分为对照组和观察组，两组实习生均来自重庆医科大学。对照组男生7人，女生9人；观察组男生8人，女生8人，对照组理论课学习平均成绩（86.4±1.3）分，观察组平均成绩（87.3±1.1）分，P＞0.05为差异无统计学意义，具有可比性。

本文用人群的光流信息对异常行为进行检测，首先计算人群的光流幅值平均值，进而可以得到人群的动能平均值的变化倍率λ，最后根据变化倍率λ与阈值Thr1的关系判定人群的运动状态是否异常。如果有异常行为，保存第一帧异常帧的前一帧的平均光流幅值，以便求后续帧与该帧的平均动能变化倍率，从而判断后续帧是否有异常。流程图如图2所示。

图2 异常行为检测流程图

阈值mean为帧间光流幅值变化量的平均值，mean依据式(4)得到。

(1)

其中，k为一般正数，λ表示平均动能变化的倍率，当λ超过阈值Thr1时，当前人群运动有异常行为。

计算每帧的光流幅值平均值可以通过光流信息计算得到每一个像素点的光流幅值而求得。计算某一像素点Px,y在不同时刻的二值化后的光流幅值变化量平均值，假定该像素点的二值化后的光流幅值平均变化量为依据式(2)得到。

(2)将两帧得到的边缘图像进行差分，并通过形态学膨胀和腐蚀操作消除干扰噪声，得到优化后的差分边缘图像；

(2)

求Px,y处相邻帧间的光流幅值变化量，然后依据设定的阈值mean将其二值化，设二值化后的光流幅值变化量为bx,y,t，二值化规则表示如下：

需要注意[27]：（1）肾功能不全患者：①如肌酐清除率小于60 mL/min，不能选择TDF或调整TDF剂量；②肌酐清除率小于50 mL/min而大于30 mL/min，可考虑选择包含TAF+（FTC/3TC）的方案。TAF尚未批准应用于肾小球滤过率的估算值（eGFR）＜30 mL/（min·1.73 m2）患者；③不能使用 TDF/TAF时，在HAART方案的基础上应加用恩替卡韦。（2）妊娠期妇女：如HIV/HBV合并感染者为妊娠期妇女，建议使用包含3TC（FTC）+TDF在内的用药方案，TAF尚未批准用于妊娠期妇女。

(3)

假定视频图像中设定当前帧的光流幅值平均值、动能平均值分别为为前一帧光流幅值平均值、动能平均值分别为用式(1)表示动能变化与光流幅值量变化的关系。

(4)

其中，row、cols分别代表视频图像的行数和列数。

像素点px,y在t时刻的光流向量为(ux,y,t,vx,y,t)，其中，ux,y,t、vx,y,t分别为t时刻px,y在x和y方向的光流分量，该点t时刻的光流幅值表示如下：

(5)

2.2 密度等级分级

为了更清楚地描述对异常行为的密度分级方法实现的整个过程，我们给出了结合纹理和像素统计特征的特征提取算法的流程，如图2所示。

本文首先用像素点统计法对异常人群进行预估计，估计出当前人数，把当前人数与阈值Thr2进行比较，当该人数小于Thr2时根据基于像素点统计的密度分级方法直接输出密度等级；反之，当当前的人数大于阈值Thr2时，就采用纹理特征[11]进行人群密度估计，该方法既利用了像素点统计法实现简单、速度快的优点，又能在高密度人群时利用纹理特征法进行进一步的密度分级，而且改进了针对不同的视频需要的不同的经验性阈值问题。阈值Thr2不是经验性阈值，是与人群密度等级定义相关的值，这一值是中密度和高密度分界的值，在设置Thr2时，我们参考了Polus等人[13]提出的人群密度等级的定义，并结合本文提出的人群密度分级方法，并将人群密度等级划分为：低密度、中密度、高密度和极高密度，其具体定义如表1所示。

表1 本文密度等级定义(异常行为等级)

密度等级(异常行为等级)低密度(低等级)中密度(中等级)高密度(高等级)极高密度(极高等级)人数0～3031～6061～150>150

基于像素点统计的人群密度等级分级，步骤如下：

(1)先对待处理图像转化为灰度图像，采用文献Canny边缘检测算法对相邻两帧灰度图像进行边缘提取，得到边缘图像；

对照组：2009—2010级全日制护理本科生，共110人。采用传统课堂讲授教学模式，即教师备课—教师课堂讲授24学时—布置课后思考题—考试。

(3)再将当前帧的边缘图像和优化后的差分边缘图像进行与操作，得到运动前景边缘图像；

2.2.3 多水塘技术 尹澄清首先提出多水塘系统的概念，主要内容包括水塘和滞留池[13]。修建暴雨滞留池是控制农业面源污染的重要方法[14]，也是欧美国家中污染控制的有效方法。多水塘系统能截留94%以上农业中的氮、磷污染负荷[15]。尹澄清等学者发现，人工多水塘系统具有很强的截留面源污染物的能力，能截留大部分无机态铵态氮和正磷酸根态磷。

一般来说，当人群出现异常行为时，人体的运动动能的变化将比正常情况下剧烈得多，因此可以通过分析人体的运动动能的变化来判断人群的行为状态。而人的运动动能一般与其光流的幅值量呈正相关，因此可以用光流幅值来表征人的运动动能，根据某点的光流可以得到光流幅值，结合帧间的运动信息可以得到光流幅值变化量，于是我们可以计算人群的平均光流幅值，再根据帧间信息进而可以得到平均光流幅值变化的情况。每一群人将对应一类属于该群体的运动光流信息，这样我们可以通过分别分析每群人的运动光流信息来确定每群人的行为状态。

根据病人辨证分型再加以配穴,如肝阳上亢,加太冲、太溪;风痰阻络,加丰隆、合谷;痰热腑实,加丰隆、内庭、曲池;阴虚风动者,加风池、太溪、太冲;气虚血瘀者,加足三里、关元、气海。每个穴位均用平补平泻手法,得气后留针20分钟。

(4)然后，将前景边缘像划分很多个矩形框，计算出每个矩形框中的边缘像素点数，计算出边缘最终的总像素点数；

基于像素点统计的分级方法实现简单，计算量较小，但由于人群之间相互遮挡而造成最后密度分级结果误差较大，该方法只适用于人群流量密度较低场景。基于纹理特征的分级方法能较好地处理人群之间存在相互重叠、遮挡现象，能取得较好的人群密度分级，但该方法由于提取的特征数量较多，计算量较大，对中低密度场景中人群密度分级误差较大，该方法只适用于人群流量密度较高场景。因此此很多学者将基于像素点统计和基于纹理特征的人群密度方法相结合，Wang等人[12]将基于像素点统计和纹理统计相结合对人群密度分级，首先对输入的视频提取前景像素点，计算前景面积占整个图像面积的平均比例p与阈值T的关系，如果p<T，则采用基于像素点统计的方法，反之，则采用基于纹理特征的人群密度方法。但是该方法中的阈值是个经验性阈值，根据不同的视频设置不同的值，在实际应用中可行性不高。因此，本文针对文献[12]中的经验性阈值问题改进了结合像素点统计的人群密度分级和基于纹理特征的人群密度分级方法。

图2 人群密度分级流程图

3 实验结果

3.1 实验方案

本文中，我们通过实验结果来分析本文提出的基于人群密度的异常行为检测与分级算法的准确性和有效性。实验视频集源于标准库VIF、标准库PETS 2009以及自行拍摄的视频，标准库VIF和标准库PETS 2009的视频分辨率为320×240，自行拍摄的视频分辨率为1 080×720。VIF数据库中包含多个来自YouTube的正常和异常视频，标准库PETS 2009是一段高速运动聚集逃离的异常视频，自行拍摄的视频包含正常和异常行为的视频。

各廉政分署指导和协调各级政党纪律检查机关和政府监察机关的反腐败及反腐败工作。各廉政分署设立下列机构:(1)腐败预防司;(2)情报收集和管理司;(3)反腐败调查司;(4)非刑罚处罚司;(5)犯罪控告司。各司根据国家反腐败总局规定的内部分工开展工作。经全国人大反腐败委员会批准可以设立其他必需的内部机构。各廉政分署由全国人大常委会负责组建，各廉政分署组建完毕后，最高人民检察院、各省(区、直辖市)检察院的反贪污贿赂犯罪和反渎职犯罪机构一并撤销，其职权由国家各廉政分署行使，原在编的工作人员中符合国家各廉政分署、分署任职条件、通过国家考试和考核的，一并划归国家各廉政分署管理。

为了量化分析本文异常行为检测的算法，引入以下概念，针对异常行为检测的算法引入：异常行为检测正检率Aab，为正确检测的异常行为的帧数nab与总的异常行为的视频帧数Nabn之比；异常行为检测漏检率Aabo，为漏检的异常行为的帧数nabo与总的异常行为的视频帧数Nabn之比。以上用到的总的异常行为的视频帧数和总的正常视频帧数为人工进行标记后进行统计的数据，总的视频帧来自于多个视频，有所有帧完全正常的视频，有所有帧完全异常的视频，也有部分帧正常部分帧异常的视频。正检率、漏检率和虚警率分别用公式表示如下：

Aab=nab/NabnAabo=nabo/Nabn

(6)

3.2 实验结果及分析

图4为异常行为检测的实验结果，a为正常视频的实验结果，b为异常视频的实验结果。

表2 异常行为准确率比较

算法异常行为正检率异常行为漏检率本文算法92．12%7．88%文献[7]算法81．6%19．4%文献[12]算法91．16%8．84%

图4 异常行为检测

表2为本文异常行为检测算法与文献[7]、文献[12]的实验结果对比，从实验结果可以看出，本文异常行文检测算法的异常行为正检率高于文献[7]和文献[12]的算法，异常行为的漏检率和虚警率都低于文献[7]和文献[12]的算法。实验结果说明本文异常行为检测算法的准确率更高，漏检率和虚警率更低。

图5 异常行为分级效果图

图5a、b、c、d分别为低等级、中等级、高等级、极高等级的异常行为分级效果图。

表3为本文异常行为分级的实验结果的准确率，从实验结果中可以看出，本文异常行为分级算法的准确率在低等级、中等级、高等级及极高等级均高于文献[12]的算法准确率，本文算法能有效地进行密度等级判断，具有较好的准确性和有效性,并且处理每一帧视频的时间相当。

表3 异常行为分级准确率比较

异常行为等级本文异常行为分级准确率文献[12]异常行为分级准确率低等级91．1%90．9%中等级90．2%90%高等级80．3%78．9%极高等级84．5%84．2%

4 结束语

本文针对群体异常行为，研究提出了一种基于人群密度的异常行为分级检测算法。通过引入局部光流，提出并实现了一种基于平均动能变化倍率的人群异常行为检测算法，改进了结合基于像素点统计和基于纹理特征的人群密度方法，并且根据人群密度将异常行为分为低级、中级、高级、级高级四个等级，异常行为报警后可以根据等级不同采取不同的措施。实验验证了本文算法的有效性，提高了异常行为检测的准确性，并且改进了现有的结合像素统计和纹理特征的人群密度分级中的经验性阈值问题，本文中不需要设置经验性阈值。为了能更好的满足现实要求，希望能进一步识别出异常行为的类别，并且能尽可能地提高整个算法的鲁棒性。

参考文献：

[1] G WECKMAN. Applying genetic algorithm to a new location and routing model of hazardous materials[J]. International Journal of Production Research, 2015, 53 (3):916-928.

[2] FABIANO B, CURRO F, PALAZZI E, et al. A framework for risk assessment and decision-making strategies in dangerous good transportation[J]. Journal of Hazardous Materials, 2002, 93(1):1-15.

[3] FENG S, Xu L D. Decision support for fuzzy comprehensive evaluation of urban development[J]. Fuzzy Sets and Systems, 1999, 105(1):1-12.

[4] 杨谦，何小海，蒋俊，吴晓红. 视频异常行为识别与分级预警系统[J]. 科学技术与工程, 2015, 15(14):76-81.

[5] ANDRADE E L, BLUNSDENl S, FISHER R B. Modelling Crowd Scenes for Event Detection[C]. International Conference on Pattern Recognition (ICPR), 2006:175-178.

[6] WANG B, YE M, LI X, et al.Abnormal crowd behavior detection using size-adapted spatio-temporal features[J]. International Journal of Control, Automation and Systems, 2011, 9(5):905-912.

[7] HASSNER T, ITCHER Y, KLIPER GROSS O. Violent flows: Real-time detection of violent crowd behavior[C]. Computer Vision and Pattern Recognition Workshops (CVPRW), 2012:1-6.

[8] LIU W, LAU R W H, Wang X, et al. Exemplar-AMMs: Recognizing Crowd Movements From Pedestrian Trajectories[J]. IEEE Transactions on Multimedia, 2016, 18(12):2398 -2406.

[9] DAVIES A C, YIN J H, VELASTIN S A. Crowd monitoring using image processing[J]. Electronics & Communication Engineering Journal, 1995, 7(1):37-47.

[10] MARANA A N, COSTA L F, LOTUFO R A, et al. On the efficacy of texture analysis for crowd monitoring[C]. International Symposium on Computer Graphics, Image Processing and Vision, 1998: 354-361.

[11] ZHAO T, NEVATIA R. Bayesian human segmentation in crowded situations[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2003, 2: 459-466.

[12] WANG X, HE X, WU X, et al. A classification method based on streak flow for abnormal crowd behaviors[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(4):2386-2392.

[13] POLUS A, SCHOFER J L, USHPIZ A. pedestrian flow and level of service[J]. Journal of Transportation Engineering, 1983,109(1):46-56.