شناسایی و دسته‌بندی رفتارها به‌منظور آشکارسازی رفتارهای غیر معمول با استفاده از مدل مارکوف مخفی

این مقاله یک رهیافت برای مدل کردن رفتارهای معمول و آشکارسازی رفتارهای غیر معمول ارایه می‌دهد. این رهیافت از چند بخش اصلی تشکیل شده است. ابتدا با استفاده از یک روش آشکارسازی، ناحیه‌های متحرک و پیش‌زمینه جداسازی می‌شوند. در مرحله‌ی بعدی نرخ‌های اشغال ساکن (busyidle) به­عنوان ویژگی‌های رفتاری تعریف می‌شوند و بر اساس این ویژگی‌ها، برای هر بلوک از پیکسل‌ها یک مدل رفتاری استخراج می‌شود. به شرط یک مجموعه از داده‌های معمول، از روش دسته‌بندی طیفی برای دسته‌بندی رفتارهای معمول استفاده می‌شود. در این دسته‌بندی، بلوک‌های پیکسل‌هایی که رفتارهای مشابه دارند، در یک دسته قرار می‌گیرند. سپس برای بلوک‌هایی که در یک دسته قرار گرفته و رفتار مشابه دارند، یک مدل رفتاری برای آن دسته تعریف می‌گردد. مدل رفتاری پیشنهادی در این مقاله یک مدل مارکوف مخفی (hmm) می‌باشد. نتایج دسته‌بندی و رفتارهای معمول به‌دست آمده برای آشکارسازی رفتارهای غیر معمول استفاده می‌گردد. به این ترتیب که با توجه به مدل‌های رفتاری معمول هر دسته، اگر برای یک بلوک پیکسل نمونه، احتمال آرایه‌ی مشاهده شده به شرط مدل‌های معمول، از یک حد آستانه کمتر باشد، آن بلوک به­عنوان محلی که در آن رفتار غیر معمول اتفاق افتاده شناخته می‌شود. نتایج آزمایش روی داده‌های ویدیویی، کارآمد بودن، دقیق بودن و سرعت رهیافت پیشنهادی را نشان می‌دهد.

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

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 busyidle 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 normalbehavior 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.