شناسایی و دسته بندی رفتارها به منظور 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 می دهد. این رهیافت از چند بخش اصلی تشکیل شده است. ابتدا با استفاده از یک روش آشکارسازی، ناحیه های متحرک و پیش زمینه جداسازی می شوند. در مرحله ی بعدی نرخ های اشغال- ساکن (Busy-Idle) به عنوان ویژگی های رفتاری تعریف می شوند و بر اساس این ویژگی ها، برای هر بلوک از پیکسل ها یک مدل رفتاری استخراج می شود. به شرط یک مجموعه از داده های معمول، از روش دسته بندی طیفی برای دسته بندی رفتارهای معمول استفاده می شود. در این دسته بندی، بلوک های پیکسل هایی که رفتارهای مشابه دارند، در یک دسته قرار می گیرند. سپس برای بلوک هایی که در یک دسته قرار گرفته و رفتار مشابه دارند، یک مدل رفتاری برای آن دسته تعریف می گردد. مدل رفتاری پیشنهادی در این مقاله یک مدل مارکوف مخفی (HMM) می باشد. نتایج دسته بندی و رفتارهای معمول به دست آمده برای آشکارسازی رفتارهای غیر معمول استفاده می گردد. به این ترتیب که با توجه به مدل های رفتاری معمول هر دسته، اگر برای یک بلوک پیکسل نمونه، احتمال آرایه ی مشاهده شده به شرط مدل های معمول، از یک حد آستانه کمتر باشد، آن بلوک به عنوان محلی که در آن رفتار غیر معمول اتفاق افتاده شناخته می شود. نتایج آزمایش روی داده های ویدیویی، کارآمد بودن، دقیق بودن و سرعت رهیافت پیشنهادی را نشان می دهد.