• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于人群运动变化规律的异常行为检测算法

方凯, 刘玉鑫, 杨恩泽, 刘硕研

方凯, 刘玉鑫, 杨恩泽, 刘硕研. 基于人群运动变化规律的异常行为检测算法[J]. 铁路计算机应用, 2021, 30(7): 39-43.
引用本文: 方凯, 刘玉鑫, 杨恩泽, 刘硕研. 基于人群运动变化规律的异常行为检测算法[J]. 铁路计算机应用, 2021, 30(7): 39-43.
FANG kai, LIU Yuxin, YANG Enze, LIU shuoyan. Abnormal behavior detection algorithm based on crowd movement change rules[J]. Railway Computer Application, 2021, 30(7): 39-43.
Citation: FANG kai, LIU Yuxin, YANG Enze, LIU shuoyan. Abnormal behavior detection algorithm based on crowd movement change rules[J]. Railway Computer Application, 2021, 30(7): 39-43.

基于人群运动变化规律的异常行为检测算法

基金项目: 国家重点研发计划项目(2020YFF0304102)
详细信息
    作者简介:

    方 凯,研究员

    刘玉鑫,助理研究员

  • 中图分类号: U291.6 : U293.13 : TP391

Abnormal behavior detection algorithm based on crowd movement change rules

  • 摘要: 实时检测公共场所的群体异常行为对维护公共安全、保障人民群众的生命和财产安全具有重要意义。研究表明,当人群的动作行为按照一定规律变化时,人群是正常行为,反之则为异常行为。为此,文章挖掘视频中的人群运动变化规律,建立异常行为检测算法,对异常行为进行识别定位。该算法在UMN数据集和自建数据集上进行了性能评测,并与其他算法进行对比分析。实验结果证明了该算法在异常行为检测中的有效性。
    Abstract: Real time detection of croud abnormal behavior in public places is of great significance to maintain public safety and protect people's lives and property. Research shows that when the crowd's behavior changes according to certain rules, the crowd is normal behavior, otherwise it is abnormal behavior. For this reason, this paper mined the rules of crowd motion-changed in the video, established the abnormal behavior detection algorithm, and identified and located the abnormal behavior. The performance of the algorithm was evaluated on UMN data set and self-built data set, and compared with other algorithms. The experimental results show that the algorithm is effective in abnormal behavior detection.
  • 我国铁路货运规模庞大,2019年,中欧班列全年开行8225列,同比增长29%,发送货物72.5万标箱,同比增长34%[1]。在“公转铁”、“一带一路”的大背景下,铁路货运加快多样化转型,提升服务质量,但仍存在数字业务效率低、货踪不透明、物流企业融资困难、缺乏信息服务等问题。

    区块链技术具有去中心化、开放、可追溯、不可篡改等特点,能够加强多系统间的数据融合,促进协作。在铁路货运领域,李平等人分析区块链技术国内外应用情况,提出了铁路大数据共享、“一带一路”铁路货运物流等场景[2]。本文讨论了铁路货运中区块链应用的关键技术和主要应用场景,以供参考。

    区块链可以看作一种不可篡改的分布式数据库。利用分布式技术,区块链网络中的每个成员存储着一致的账本,账本的信息打包储存在数据区块中。如图1所示,区块和区块间以时间为序,组成链式结构,利用密码学技术首尾连接在一起,每个区块中包含的信息可以是事件的细节、价值交易、自动化操作或其他信息。

    图  1  区块链逻辑结构

    区块链适合于内在分散、孤立的行业。铁路货运涉及多方密切协作,是区块链典型的应用场景。区块链应用在货运领域的探索可以追溯至2015年前后,目前应用研究较少,主要针对流程优化、物流追踪、物流金融等方向,具体包括结算对账、商品溯源、冷链运输、电子发票等领域。

    按照网络部署方式的不同,区块链可以分为公有链、联盟链和私有链。公有链是完全去中心化的结构,通常用于开放的共享记账系统;联盟链是部分中心化的分布式结构,由参与联盟的多个机构形成多中心,通常用于行业间地位相对对等的组织团体共享数据;私有链是机构内部形成的中心化结构,通常用于企业内部的控制和审计[3]。3种区块链的对比如表1所示。

    表  1  3种类型区块链对比
    对比项公有链联盟链私有链
    中心化程度无中心部分中心可信中心
    节点规模无限制有限规模有限规模
    加入机制随时进出预定义的参与方限内部节点
    数据容错性适中
    交易效率适中
    数据隐私加密,完全
    公开
    联盟内部共享,
    有一定隔离机制
    只对单一组织开放,
    隐私更强
    下载: 导出CSV 
    | 显示表格

    铁路货运区块链网络出于业务和监管的考量,需要一定程度的中心化。因此,铁路货运区块链架构设计应选择架构更为灵活的联盟链,并采取部分私有的方式。比如区块链节点以铁路货运公司为主,相关业务方可以选择加入区块链节点,如图2(a)所示,或者通过网络访问区块链中的节点,如图2(b)所示。

    图  2  区块链网络组织方式

    铁路货运区块链网络建设初期,应该遵循最小业务原则,为一部分简单的业务建立数据模型和业务逻辑,组建小型的区块链网络。随着铁路公司与不同主体的业务增加,区块链网络节点可以随之拓展,若干区块链网络之间再构成更大范围的区块链,将不同分区的业务数据汇聚起来,兼容了分散化和中心化。

    因为整个区块链网络是分区的,数据集成时必然面临两个问题:信息孤岛和区块链异构。异构区块链间数据结构、接口协议的不同会导致交易合法性证明各不相同,加剧信息孤岛。跨链技术通过连接互相独立的区块链系统,实现不同链上资产和数据的互操作,从而解决孤岛问题。

    常见的跨链技术实现方式包括公证人机制、哈希锁定和侧链/中继技术[4]。公证人机制需要一个或一组节点在两条链间作为公证人,进行双方交易的收集和验证,架构简单,但引入了一定的中心化;哈希锁定利用了哈希锁和时间锁,能够确保交换的原子性和真实性,但哈希锁定只能用于交换,且增加了交易次数,目前只适合资产交易场景;侧链/中继链技术通过双向锚定的方式实现资产在不同链之间的转移,中继链可以看作去中心的公证人机制,不同的链之间都可以在中继链上进行跨链交互。

    铁路货运中不同业务链涉及跨链通信时,要考虑具体场景的连接方式、信息传输渠道、验证机制和消息反馈机制。如集装箱公司和供应商之间存在对账结算链,集装箱公司和金融机构间存在贷款融资链,通过中继链互认、互操作即可完成可靠的信息流转。运输中涉及多种物联网设备,硬件模块的选择和组合具有多样性,对区块链平台的支持能力各不相同,且部署完成后难以更新,而跨链技术可较好的满足物联网设备在多样化场景中的需求。

    物联网终端是铁路货运里的重要一环。在区块链中,必须保证数据源头可信。在货运过程中,可基于智能设施和物联网完成数据的自动采集、存储和传递,尽可能排除人为干扰。物联网的智能识别技术主要包括条形码/二维码识别技术、射频识别技术、GPS技术、信息物理系统(CPS,Cyber-Physical Systems)技术等。

    针对如何将物联网设备与区块链集成,各行业研究者们提出了较多方案[5]:Xie等人设计了基于区块链和传感器网络的农产品溯源系统[6],传感器网络收集并上传GPS、压力、加速度、温度、湿度模块的数据,封装后储存进区块链,供应用层访问;Bocek等人搭建了一个基于区块链的系统架构[7],监控药品在运输过程中的温度,确保药品质量,其架构包含前端、后端、物联网传感设备,前端用于接收传感器数据并与后端服务器交换JSON格式的数据。

    在铁路货运中,物联网终端与区块链网络融合可用于车号/箱号识别、运输状态监测,可提供准确、可靠的产品信息和物流信息。将其与区块链中可信的数据溯源结合,可以确保货运信息在收集、传递和共享的过程中真实、完整。

    智能合约是区块链网络中承载数据和业务的部分,根据具体的业务,定义数据模型和功能接口,供上层功能调用。存储在区块链节点的数据,在读写时都需要通过节点上的智能合约。创建好的智能合约需要被安装在区块链节点上,合约每一次改动后都需要被重新部署,并在区块链上留下可溯源的记录,以此确保链上的每一个节点都认同新的合约规则。

    铁路货运中,智能合约是业务落地的关键点,通过智能合约可以灵活地实现设备管理、访问控制、产品溯源等应用功能。刘昱刚等针对多式联运电子提单业务提出基于区块链技术的电子提单流转平台[8],将提单作为托运人、多式联运、海关、商检、金融机构之间的流转物,在线完成电子提单的签发、转让、付款、货物检查等事件。

    终端消费者需要了解铁路货运的产品物流信息,从而加强对此次消费的信任;上游供应方由于铁路运输时延较长,掌握物流信息能更好地预测市场;承运方掌握详细的信息更有助于了解运输中上下游的情况。

    区块链与物联网的组合,对所运输货物的物权、数量、质量、状态等证明文件的真实性、可靠性和有效性意义重大。企业可利用区块链技术,打造铁路货运存证平台,实现对运输过程中产生的各种证明、货物状态等的记录和查询,确保信息的真实、可靠和有效。

    与公路和飞机相比,铁路运输周期较长,流程复杂,涉及相关方较多。如果能实现单证电子化,提高作业过程信息化程度,就能减少信息孤岛,提高信息时效,有利于解决各方痛点,提升铁路货运整体运作效率,降低运营成本。

    结算双方企业需要通过系统接口对接的方式完成不同阶段数据的共享与流通,信用签收依赖纸质运单,双方各有一套清结算数据,结算双方每个结算周期要进行对账,需要人工审核大量的纸质单据,有成本高、效率低,结算周期长的问题。通过引入区块链技术,可形成具有不可篡改性的账单记录。以此账单作为物流企业与上游客户以及下游供应商之间的财务对账依据,可以实现交易即清算。同时将包含运价规则的电子合同写入区块链,使结算双方共享同一份双方认可的交易数据和运价规则,保障计费后对账单的一致性。如果对账过程中存在异常账单,可以进行调账,将调账的审核过程和结算付款发票信息作为存证写入区块链,从而降低对账成本,减少贸易摩擦。

    铁路货运周期一般为7~14天,货物价值高,资金回收可靠,较适合做抵押贷款。但传统的仓单质押业务存在银行对仓单信息获取不及时的问题,使得银行难以对贷款风险进行评估,导致企业融资困难。

    区块链技术可用来划定运输中货物的权属,使货物价值在各个实体间传递,从而分离大宗集体资产的所有权、使用权、交易权、收益权,同时促进动产质押业务从现有的自发、自主描述化的模式向系统确认的模式转变,发挥资产的流动性价值。

    我国货运物流长期以来有“多、小、散、乱”的特点,信息不对称、不完整。众多经营主体缺乏有效的组织和管理,经营行为不规范,制约行业发展。

    通过区块链、大数据等技术,根据铁路货运相关企业交易信息,研究企业信用评级模型,可以围绕铁路企业建立信用评价机制,加强信用记录信息共享,对违法失信行为进行预警和披露。进而整合铁路供应链涉及的市场准入、海关、质检等环节,健全铁路货运市场诚信体系。

    本文分析了区块链技术在铁路货运中应用的关键技术及应用场景。目前,区块链技术在铁路货运中的研究尚处在起步阶段,应用的过程中还存在一些难题,距离产业化还有较大距离。区块链技术在铁路货运领域的落地不仅仅是技术问题,而是如何在铁路内外的众多企业、组织中克服协作壁垒,构建信任网络的问题。

    下一步,还需努力推动区块链技术在铁路集装箱运输、铁路快运对账、铁路物流金融、海关存证、物流企业征信等场景的示范项目。针对不同场景,寻求共识协议、跨链通信、加密算法等关键技术的适配和改进,提高区块链系统在铁路货运业务中的可用性、可扩展性、吞吐量、安全性,探索更有前景和活力的应用模式。

  • 图  1   基于人群运动变化规律的异常行为检测算法流程

    图  2   UMN数据集3个样本异常行为检测的定性结果

    图  3   运动变化规律数对异常行为性能检测的影响

    图  4   算法比较ROC曲线

    图  5   客运站异常图像库异常行为示例

    图  6   视频帧的异常行为定位

  • [1]

    O. Boiman, M. Irani. Detecting irregularities in images and in video [J]. International Journal of Computer Vision, 2007, 74(1): 17-31. DOI: 10.1007/s11263-006-0009-9

    [2]

    M. Grant, Jason J. Flynn, Patrick. Crowd Scene Understanding from Video: A Survey [J]. ACM Trans. Multimedia Comput. Commun. Appl., 2017, 13(2): 19-23.

    [3]

    Yamaguchi K , Berg A C , Ortiz L E , et al. Who are you with and where are you going?[C]//Computer Vision & Pattern Recognition. Colorado, USA: IEEE, 2011: 1345-1352.

    [4]

    Zhou Bolei, Tang Xiaoou, Zhang Hepeng, Wang Xiaogang. Measuring crowd collectiveness [J]. IEEE Trans. Pattern Anal. Mach. Intell, 2014, 36(8): 1586-1599. DOI: 10.1109/TPAMI.2014.2300484

    [5]

    Chang M C , Krahnstoever N , Lim S , et al. Group Level Activity Recognition in Crowded Environments across Multiple Cameras[C]//2010 Seventh IEEE International Conference on Advanced Video and Signal Based Surveillance. Boston, USA: IEEE Computer Society, 2010: 56-63.

    [6]

    Almeida I , Jung C R . Change Detection in Human Crowds.[C]//2013 26th SIBGRAPI Conference: Graphics, Patterns and Images. SIBGRAPI, 2013: 63-69.

    [7]

    M. Roshtkhari, M. Levine. An on-line, real-time learning method for detecting anomalies in videos using spatio-temporal compositions [J]. Computer Vision and Image Understanding, 2013, 117(10): 1436-1452. DOI: 10.1016/j.cviu.2013.06.007

    [8]

    Mehran R , Oyama A , Shah M . Abnormal crowd behavior detection using social force model[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, Florida, USA: IEEE, 2009: 935-942.

    [9]

    Nowak E . Sampling strategies for bag-of-features image classification[C//2006 9th European Conference: Computer Vision. Gray, Austria: ECCV, 2006: 490-503.

    [10]

    Helbing D , Johansson A , Al-Abideen H Z . The Dynamics of Crowd Disasters: An Empirical Study[J]. Physical Review E, 2007, 75(4 Pt 2):046109.

    [11]

    Liu J, Shah M . Learning human actions via information maximization[C]//2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Anchorage, AK, USA: IEEE, 2008: 1-8.

    [12]

    Zhang Z , Chan S , Chia L T . Image classification using tensor representation[C]//Proceedings of the 15th International Conference on Multimedia 2007. Augsburg, Germany: ACM, 2007: 281-284.

    [13]

    D.Y. Chen and P.C. Huang. Motion-based unusual event detection in human crowds [J]. Journal of Visual Communication and Image Representation, 2011, 22(2): 178-186. DOI: 10.1016/j.jvcir.2010.12.004

  • 期刊类型引用(4)

    1. 王娜娜,张建国. 铁路货运营销大数据系统的设计与实现. 铁路计算机应用. 2024(05): 36-39 . 本站查看
    2. 贾倩新,李建国,文慈,向万里. 基于RFM模型的铁路保价运输客户细分. 青海交通科技. 2023(03): 23-31+60 . 百度学术
    3. 张涛. 基于铁路通勤用户需求的铁路新票制产品设计. 铁路计算机应用. 2022(01): 9-14 . 本站查看
    4. 聂欣,田佳禾,胡培博,万爱霞. 基于AHP的客户价值综合评价体系研究. 中外企业文化. 2022(05): 76-78 . 百度学术

    其他类型引用(3)

图(6)
计量
  • 文章访问数:  95
  • HTML全文浏览量:  140
  • PDF下载量:  29
  • 被引次数: 7
出版历程
  • 收稿日期:  2021-03-30
  • 刊出日期:  2021-07-29

目录

/

返回文章
返回