基于离散曲率熵的徘徊行为检测

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (18): 164-166.

基于离散曲率熵的徘徊行为检测

刘强1，2，罗斌1，2，翟素兰1，3，涂铮铮1，2，4

1.安徽省工业图像处理与分析重点实验室，合肥 230039
2.安徽大学计算机科学与技术学院，合肥 230039
3.安徽大学数学科学学院，合肥 230039
4.安徽大学计算智能与信号处理教育部重点实验室，合肥?230039

出版日期:2013-09-15 发布日期:2013-09-13

Loitering detection based on discrete curvature entropy

LIU Qiang1，2, LUO Bin1，2, ZHAI Sulan1，3, TU Zhengzheng1，2，4

1.Key Lab of Industrial Image Processing & Analysis of Anhui Province, Hefei 230039, China
2.School of Computer Science & Technology, Anhui University, Hefei 230039, China
3.School of Mathematical Sciences, Anhui University, Hefei 230039, China
4.Key?Lab?of?Intelligent?Computing?and?Signal?Processing?of?Ministry?of?Education, Anhui?University, Hefei?230039, China

Online:2013-09-15 Published:2013-09-13

摘要/Abstract

摘要： 针对公共重点区域的智能监视问题，提出了一种新的徘徊行为异常检测方法。该方法利用视频目标跟踪算法得到可疑行人的运动轨迹，通过曲线拟合对运动目标的离散点轨迹进行平滑，计算离散点的离散曲率，计算感兴趣区域内运动目标轨迹点的离散曲率的熵及方差，通过离散熵阈值比较进行徘徊行为判断，该方法只需计算运动目标的轨迹，无需建立样本库，实验证明了该方法的有效性、实时性。

关键词: 徘徊行为, 异常检测, 曲线拟合, 离散熵

Abstract: In order to solve the intelligent monitoring problem, a novel method is introduced for loitering detection. Moving object is detected and tracked using tracking algorithm. This mothod gets the trajectory of moving object, smoothes the trajectory using curve fitting, and gets the discrete curvature and the entropy. Loitering detection is accomplished by judging threshold value. The method has no database for samples. Experiments demonstrate the efficiency of the proposed method.

Key words: loitering detection, abnormal detection, curve fitting, discrete curvature entropy

刘强1，2，罗斌1，2，翟素兰1，3，涂铮铮1，2，4. 基于离散曲率熵的徘徊行为检测[J]. 计算机工程与应用, 2013, 49(18): 164-166.

LIU Qiang1，2, LUO Bin1，2, ZHAI Sulan1，3, TU Zhengzheng1，2，4. Loitering detection based on discrete curvature entropy[J]. Computer Engineering and Applications, 2013, 49(18): 164-166.

[1]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[2]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[3]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[4]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	龙建全，梁艳阳. 多路口环境下RRT的最优路径规划[J]. 计算机工程与应用, 2020, 56(19): 273-278.
[9]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[10]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[11]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[12]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[13]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[14]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[15]	贺亮1，王永程1，李赟1，褚衍杰1，沈超2. 基于Lindeberg-Feller定理的网络异常检测算法[J]. 计算机工程与应用, 2019, 55(4): 41-47.