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.
-
高速铁路（简称：高铁）是一个由人、机、料、管理和环境等组成的复杂交通运营系统，其运行的安全性、可靠性较高，但若发生事故，将严重威胁到社会运行及人民的安全。高铁事故种类众多、致因广泛、类型复杂的特点造成了事故致因分析的复杂性[1-2]。
目前，知识图谱和故障树已在轨道交通领域得到广泛应用。姜达[3]构建车载设备故障维修日志知识图谱，挖掘车载设备故障的内部联系；翁湦元等人[4]构建铁路客运延伸服务产品知识图谱，帮助用户获取延伸服务产品信息；王莉等人[5]构建地铁工程事故知识图谱，并提出地铁工程事故分析流程；杨凯等人[6]采用静态故障树对高铁钢轨断裂的类型和原因进行总结和归纳，以在一定程度上减少断轨事故的发生；周凤[7]使用故障树分析法，分析导致动车组空调失效的主要原因，优化空调失效的应急处置办法；贾潞[8]建立动车组受电弓故障树模型，提出针对受电弓故障的处理对策以及日常检修指导意见；王蔚[9]运用故障树对高铁牵引供电系统中变电所和接触网的典型安全问题进行定性分析，提出针对高铁牵引供电系统的相关管理措施。
本文基于以上研究内容，结合高铁事故领域研究分析成果较少的现状，通过构建高铁事故知识图谱实现事故数据汇总；使用图数据库构建高铁事故致因逻辑关系；并基于图数据库的查询结果，通过Python编程生成事故致因故障树，对高铁事故的致因进行分析。
1 技术路线
本文对高铁事故致因分析的技术路线如图1所示。
（1）在构建高铁事故知识图谱本体层时，基于“七步法”[10]明确本体中类、类的属性及类之间的关系。
（2）获取高铁事故数据，并将事故数据转化为CSV文本格式，完成对数据的预处理，实现知识图谱数据层的构建。
（3）使用Neo4j图数据库，将保存为CSV文件的数据基于Python编程生成高铁事故致因知识图谱；使用Cypher图数据库查询语言，实现知识图谱的查询工作。
（4）根据知识图谱中查询到的事故致因逻辑关系，通过程序生成高铁事故致因故障树，得出对高铁事故的致因分析。
2 高铁事故知识图谱
2.1 本体层构建
结合高铁事故领域的实际需求，采用“七步法”构建高铁事故本体层，具体步骤如下。
（1）确定本体的领域
本文的知识图谱本体依托于高铁事故，通过对事故相关知识的抽象表示，进而实现高铁事故知识图谱的构建。
（2）查看是否有可复用本体
查找是否有相关领域己经构建完成的本体，如果有，则可以直接导入本体以节省构建成本和时间，然而目前还未找到已构建好的高铁事故知识图谱相关本体。
（3）确定重要术语
如“异物侵限”“违规作业”等事故致因，“列车脱轨”“中途停车”等事故后果，“特别重大事故”“重大事故”等事故等级，均为重要术语。
（4）定义类及其层次结构
本文采用自顶向下的方式，即先定义事故领域类中最宽泛的概念，然后对本体的类逐步细化，本体的类层次如表1所示。
表 1 高铁事故领域本体的类层次及其属性类 属性 事故说明 事故发生时间、所在国家、事故车次 事故直接致因 简述事故发生的直接致因 事故致因分类 违规作业、观察错误、监管不力、质量控制不充分、
法规措施不完善、恶劣天气、周界入侵、
不利地理环境、设备故障、软件故障、设计缺陷事故致因归属 人为因素 作业人员、公务工程、管理部门 设备因素 机车车辆、通信信号系统、牵引供电系统 环境因素 外部环境 事故后果 列车情况、线路情况、经济损失、
人员受伤情况、人员死亡情况等事故等级 特别重大事故、重大事故、较大事故、一般A类事故、
一般B类事故、一般C类事故、一般D类事故（5）确定类的属性
综合分析国内外高铁事故，提炼常见事故致因，对高铁事故本体“事故致因分类”做进一步描述；为“事故致因归属”做进一步的分类，添加人为因素、设备因素、环境因素3项事故分类方式；根据铁路交通事故应急救援和调查处理条例[11]，总结高铁列车事故等级。综上得到高铁事故相关类的属性如表1所示。
（6）定义属性约束
针对高铁事故领域本体的属性，对“事故发生时间”“事故车次”“列车情况”“经济损失情况”等属性进行格式及数值范围的约束限制。
（7）创建具体实例
通过质量评估后，创建类的具体实例。此外，在高铁事故本体中存在相关性，两个类之间可通过相应的关系联系起来，高铁事故本体中类间关系如图2所示。
2.2 数据层构建
在定义高铁事故知识图谱本体层后，通过获取高铁事故数据并对其进行处理，实现知识图谱数据层的构建。
本文统计了2007—2022年国内外共52例高铁事故，源自介绍高铁事故的文献与书籍、国家铁路智能云平台、相关新闻报道及国内外搜索引擎。
对高铁事故数据进行处理时需要将大量事故数据转化为CSV文本格式，如表2所示。CSV文件作为纯文本文件，有其具体的格式要求：文件的第1行为标题行，说明每一列数据的含义；文件由任意数目的记录构成，记录间以换行符分割；每条记录由字段构成，字段间以逗号作为分隔符，若字段中有逗号，则用双引号引用。
表 2 CSV格式的高铁事故数据示例时间，列车，国籍，事故直接致因，事故后果 “2011/7/12”，“G102次高铁”，“中国”，“受电弓损伤”，“中断供电2小时” “2013/11/22”，“D28次动车”，“中国”，“施工人员违规作业”，“四人死亡，1人受伤” “2018/6/14”，“山阳新干线希望176号”，“日本”，“人为穿越铁路”，“一人死亡” “2022/3/16”，“东北新干线山彦号223次”，“日本”，“福岛地震”，“列车脱轨，车厢倾侧” 表2列举了CSV格式表示的4例高铁事故的部分信息，根据高铁事故知识图谱本体中的类及其属性，首行的标题行分别代表了每一列数据的含义。基于此数据处理后的得到的CSV文件，可通过图数据库构建知识图谱。
2.3 知识图谱构建
本文通过Python编程生成知识图谱，步骤如下。
（1）导入CSV文件的插件“csv”，同时导入Neo4j的插件“py2neo”及其Graph（图）、Node（节点）、Relationship（关系）数据结构；
（2）链接Neo4j图数据库；
（3）打开CSV文件，基于文件中的数据及Graph、Node、Relationship的数据结构及其函数创建知识图谱的节点与关系。
通过Neo4j图数据库及上述方法生成高铁事故知识图谱，如图3所示。
本知识图谱共包含251个实体，328条关系。其中，时间实体48项，国籍实体6项，事故直接致因65项，事故致因分类实体14项，事故后果49项，事故等级7项，事故致因归属7项，列车52项，人环境设备归属3项。
2.4 知识图谱查询
Cypher是Neo4j提出的一种声明式的图数据库查询语言，可用于构建表达性强且高效的查询语句，允许用户声明从图数据库中选择、插入、更新或删除等操作，而不需要精确地描述操作具体实现方式。高铁事故致因关系知识图谱中的Cypher查询语句示例如表3所示。
表 3 高铁事故致因关系中的Cypher查询语句示例序号 Cypher查询语句示例 查询结果 1 Match data=（n:列车{name:'XX高铁'}）-[rel*1..3]->（m） return n,rel,m “XX高铁”事故知识图谱模型 2 Match （n:事故致因分类）-[:事故直接致因]->（m:事故直接致因） RETURN n,m 事故直接致因与事故致因分类的知识图谱关系模型 3 Match data=（n）<-[rel*1..3]->（m:人车环境{name:'人'}） return n,rel,m “人为因素”事故致因关系模型 3 故障树生成与事故分析
3.1 故障树生成
为从宏观层面对高铁事故致因进行分析，本文基于知识图谱中查询到的事故致因，通过Python编程构建故障树，生成路线如图4所示。
根据图4构建的“人为因素”事故致因模型故障树，可以类似得到“环境因素”和“设备因素”事故致因故障树，如图5所示。基于知识图谱的构建结果，高铁事故致因故障树从人、环境、设备出发，基于事故致因归属和事故致因分类，从宏观角度展示高铁事故致因。
3.2 事故分析
通过生成的高铁事故致因故障树，得到事故总体致因分析结果，结合获取到的高铁事故数据，生成事故致因柱状统计图，如图6所示。图中横坐标表示各具体事故致因，纵坐标表示各致因导致的事故占总事故的比率。分别用3种颜色区分人为因素、环境因素、设备因素的事故致因。
通过图6可以看出，在人、环境、设备等3种致因中，人为因素导致了更多的高铁事故发生，占比达总体事故的42.3%；根据事故致因导致事故发生的数量，前3项致因分别是“管理部门的监管不力”“外部环境的恶劣天气”和“工作人员的违规作业”，总和达到高铁事故的51.92%。因而，建议铁路各部门规范人员操作、加强监管力度、预警与防范自然灾害及次生灾害，保障铁路安全可靠运行；建议铁路各设备研发设计部门，改进控制系统的设计架构，可加入全息传感检测网络及其他新式监测设备，做到事前预判，提高系统的判别能力。
4 结束语
本文针对高铁事故对象广泛、类型复杂、尚未形成统一的事故汇总体系、无法深入分析其致因的问题，使用知识图谱和故障树完成了对高铁事故的数据整理汇总及事故致因分析，对铁路相关各部门组织提出了切实可行的建议。
因中国高铁安全性、可靠性较高，高铁事故数据并不多，数据集较小；此外，对高铁事故致因的分析并没有使用更多的智能化方法，在下阶段可对以上部分进行改进。
-
[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(2)
1. 陈家旭，张景昱，方兴，王铭铭. 基于MBSE的铁路系统RAMS分析技术研究综述. 铁道运输与经济. 2025(02): 68-78+88 . 
百度学术
2. 罗睿. 高速公路交通事故领域知识图谱构建方法. 交通建设与管理. 2024(04): 93-97 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 92
- HTML全文浏览量: 135
- PDF下载量: 29
- 被引次数: 4
