“视觉智能与信息安全”专栏 | MDPI Sensors：基于轨迹聚类的室内人体运动异常检测

点击左上角“MDPI工程科学”关注我们，为您推送更多最新资讯。

引言✦

室内空间中的人类活动异常通常涉及紧急情况，如安全威胁、事故和火灾。在室内人体运动的异常检测方面存在一些挑战。首先，在紧急情况下检测异常情况的时间限制很严格。这项任务需要尽可能快地检测异常以便于立即处理。因此，现有无时间限制的异常轨迹检测方法不适用。其次，室内空间中轨迹之间的距离与室外空间不同，因此，使用现有距离函数的异常检测方法，包括欧几里得距离、最长公共子序列 (LCSS)、动态时间扭曲 (DTW) 和实序列编辑距离 (EDR)，对室内轨迹数据无效。此外，室内人类运动行为可通过位置轨迹和数据点的语义表示。例如，两人一个在会议室，另一个在咖啡室，假设这两个房间紧挨。这种情况下他们的行为完全不同，尽管其距离很近。因此，在估计室内轨迹之间的相似性时，应考虑语义信息。最后，现有的异常检测方法未提供有效的算法参数选择方法，这可能会降低检测性能。例如，基于距离和密度方法的性能受距离和密度阈值的影响。基于聚类的异常检测方法需要为聚类算法输入参数，例如K-Means中的聚类数量、光谱聚类和层次聚类。基于密度的带噪声应用空间聚类 (DBSCAN) 需要两个输入参数：形成新集群的最小点数 (MinPts) 和找到邻居的半径 (Eps)。选择适当的Eps值对于执行DBSCAN至关重要；大多数研究都为手动确定该值。

近期，Sensors 期刊发表了研究论文，开发了一种基于DBSCAN的异常检测方法，以应对上述挑战。

 研究内容 

该研究第一个创新之处是提出了一种新的使用DBSCAN的两阶段异常检测框架 (图1)，用于识别室内空间中的异常人体轨迹。该方法不估计长时间的轨迹，而考虑短持续时间内的轨迹，并在检测到异常时发出警报。第二个创新之处是：为提高轨迹之间相似性度量的准确性，提出了一种新的室内人体轨迹相似性度量LCS_IS。在LCS_IS中，将室内步行距离和语义信息结合起来对轨迹之间的相似性进行评估。ISTSM只对具有相同语义标签的点使用室内步行距离，但LCS_IS在相同和不同语义标签下均使用。最后，为提高DBSCAN的聚类性能，提出了一个聚类有效性指标来确定DBSCAN中的一个重要参数Eps值。

图1. 文中用于检测人类异常轨迹的两阶段框架。

如图1，框架的第1阶段将数据库中的轨迹分组为簇。首先，对数据库中原始位置轨迹进行预处理，以提取一组轨迹。由于设备记录错误而丢失许多数据点的轨迹被删除。然后，使用基于LCSS扩展的新距离函数LCS_IS来计算处理后轨迹的距离矩阵。最后，使用DBSCAN对轨迹进行聚类。该步骤提出了一个新的聚类有效性指数DCVI，为DBSCAN选择合适的Eps值。

异常轨迹检测在阶段2中执行。检查新的轨迹以确定其是否属于在阶段1中从数据库获得的任何簇。使用Eps值来确定簇中新轨迹的Eps邻居。若邻居的数量大于或等于 (MinPts−1)，则新轨迹属于簇。若新轨迹不属于任何簇，则将其检测为异常。否则，这是一条正常的轨迹。

为确定两条轨迹之间的LCS_IS，首先构建导航图计算两点间的室内步行距离。导航图表示室内空间的楼层平面的拓扑结构。这项工作中，导航图使用连通性基础图模型构建。连通性基础图由顶点和边定义。楼层平面的图元 (如房间、楼梯和走廊) 将分解并由顶点表示。边用于连接图形中的顶点。边对应于楼层平面中两个分区之间的连接。此外，为表示室内空间中实体之间的接近度，根据实体距离为每条边指定一个值。连通性基图模型在保持室内轨迹建模效率的同时具有较低的计算复杂度。

例如，在MIT Badge数据集中构建了一个导航图，如图2。在这个平面图中，空间被划分为供工人使用的小工作隔间。因此，每个顶点被认为覆盖了两个相对的隔间以及这些隔间之间的走廊。此外，由于运动特征对于人类运动中的异常检测很重要，因此顶点沿着走廊定位。

图2. 室内导航图的构建 (a) 平面布置图；(b) 室内导航图。

 实验结果 

这项工作使用了三个指标：召回率、精确度和F1分数来估计算法性能。对所提出方法进行了评估，并与四个基线进行了比较：(1) EMM (可扩展马尔可夫模型)。使用EMM检测异常轨迹。(2) 密度法。如果轨迹密度小于给定阈值，则将其检测为异常。(3) 分层聚类。基于异常轨迹与从数据集中提取的聚类的接近程度来检测异常轨迹。(4) 光谱聚类。将层次聚类算法替换为光谱聚类算法，用于从数据集中寻找聚类。

除了EMM外，基线还需要距离测量来计算轨迹中的相似性。这项工作中，这些基线使用了四种现有的距离度量：欧几里得、EDR、LCSS和ISTSM。文中基于DBSCAN的异常检测方法使用七个现有和提出的距离度量进行评估：欧几里得、EDR、LCSS、ISTSM、LCS_IWD、LCS_SL和LCS_IS。

首先文中仅估计使用原始MIT Badge数据集方法的性能。由于数据集中没有标记的异常，因此给出了创建异常的假设。在MIT Badge数据集中，配置组约占总数的70%，而定价组仅占20%。因此，假设前者的工人运动正常，而后者的工人运动不正常。此外，用于评估算法的正常轨迹和异常轨迹的数量相等。由于测试数据集中异常样本数和正常样本数之间的平衡，该算法得到了较好的估计。表1列出了基线的结果以及作为定价组的异常检测方法。EMM实现了89.55%的高召回率，而精度仅为66.87%。因为EMM在轨迹点的水平上评估异常，并且如果轨迹包含至少一个异常点，则将其检测为异常。这意味着EMM优先寻找轨迹点的异常。因此，有许多正常轨迹被检测为异常，且EMM精度低。

表1. 以定价组为异常的结果。

其次文中介绍了当改变DBSCAN的MinPts参数时，所提出方法在各种异常类型上的性能。众所周知，MinPts对DBSCAN聚类质量的影响小于Eps。MinPts的值通常基于用户对数据集的了解来选择 (即，MinPts可设置为数据维度的两倍)。在这个实验中，MinPts在[3, 40]范围内变化。对于给定的MinPts值，使用DCVI度量来确定适当的Eps值。然后所选择的Eps值被用于对轨迹进行聚类和检测异常。图3a、3b分别显示了MIT Badge和sCREEN数据集的F1分数结果。在两个数据集上，所提出方法在MinPts=8附近获得了最佳结果。当MinPts>10时，所提出方法的性能下降。这可以解释为，当所选择的MinPt太大时，许多轨迹被检测为噪声，这可能会影响DBSCAN的聚类质量。因此检测异常的有效性降低。

图3. 文中方法在改变MinPts时的性能：(a) MIT Badge数据集；(b) sCREEN数据集。

 总结 

该文提出了DBSCAN室内人体轨迹异常检测的两阶段框架。该框架的第一阶段将数据集分组到集群中。在第二阶段中检查新轨迹的异常。在LCSS基础上，提出了一种利用室内步行距离和语义标签计算轨迹之间相似性的新度量，称为LCSS。此外提出了DCVI来提高轨迹聚类性能。DCVI用于选择DBSCAN的ε参数。使用两个真实轨迹数据集MIT Badge和sCREEN，对所提出方法进行了评估。结果表明，该方法能有效检测室内空间中的人体轨迹异常。对于MIT Badge数据集，所提出方法在假设异常的F1得分方面达到89.03%，在所有合成异常的F1分数方面达到93%以上。在sCREEN数据集中，所提出方法在合成异常的F1得分方面也取得了令人印象深刻的结果：罕见的位置访问异常 (τ=0.5) 为89.92%，其他异常为93.63%。

识别二维码

阅读英文原文

原文出自Sensors 期刊：

Lan, D.T.; Yoon, S. Trajectory Clustering-Based Anomaly Detection in Indoor Human Movement. Sensors 2023, 23, 3318.

撰稿人：陆哲明

 专栏简介 

“视觉智能与信息安全”专栏由Sensors 期刊编委陆哲明教授 (浙江大学) 主持，专注于视觉智能与信息安全领域的前沿进展与创新应用。

 专栏编辑

陆哲明 教授

浙江大学

(上下滑动查看更多内容)

浙江大学教授、博士、博士生导师，浙江大学航空航天系主任、航天电子工程研究所副所长。2002年哈尔滨市青年科技奖获得者，2003年全国优秀博士学位论文奖获得者，2004年教育部新世纪人才获得者，2005年德国洪堡学者，2006年深圳市特殊津贴专家，2011年浙江省自然科学基金杰出青年基金获得者，2017年浙大宁波理工学院9211教授。截至2022年1月3日已发表SCI检索论文163篇，ESCI论文14篇，EI单检论文214篇，获省部级科技一等奖1项、二等奖4项、三等奖1项，厅级科技一等奖2项，出版专著教材15部，发明专利授权14项。2020年和2021年连续两年获得Elsevier中国高被引学者。2013年起担任国防科工局CCSDS专家、国家科学技术奖励评审专家；2017年起逐步担任国家自然科学基金重点项目评审专家、国家网络信息安全领域重大专项评审专家、全国宇航技术及其应用标准化技术委员会空间数据与信息传输分技术委员会委员；2020年起加入腾讯科学探索奖评审专家库，并开始担任澳门特区政府科技奖评审专家。2020年起担任SCI期刊Sensors 编委。陆教授长期从事多媒体信号处理、信息隐藏、复杂网络、人工智能四个领域的研究。这四个方面的研究工作并非孤立的，都是在数字媒体和网络技术飞速发展的背景下展开的。主持和主要参与国家重点研发计划、国家自然科学基金、教育部人才类基金、国防重点实验室基金、浙江省自然科学基金、宁波市科技创新2025重大专项和各种横向项目60余项。

往期回顾

版权声明：

*本文内容由Sensors 期刊编委陆哲明教授撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。

由于微信订阅号推送规则更新，建议您将“MDPI工程科学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！

点击左下方“阅读原文”，免费阅读英文原文。

期待您的“三连击”☞【分享，点赞，转发】