發(fā)布時間：2018-05-07 05:02

  本文選題：異常檢測 + 多特征提取��； 參考：《中國科學(xué)技術(shù)大學(xué)》2017年碩士論文

【摘要】：隨著社會的發(fā)展與進步,越來越多的社會安全問題也隨之出現(xiàn)。如何避免與及時應(yīng)對突發(fā)公共事件作為公共安全的重要議題被學(xué)術(shù)界及工業(yè)界廣泛研究,進而產(chǎn)生了多種多樣的安防機制及相應(yīng)的技術(shù)。視頻監(jiān)控技術(shù)作為被廣泛使用的監(jiān)管技術(shù),在多個方面起到了至關(guān)重要的作用。然而目前的通用監(jiān)控技術(shù)仍然存在各種各樣的問題。作為計算機視覺的重要范疇,對監(jiān)控視頻內(nèi)容的分析從發(fā)展之初便受到學(xué)術(shù)界的關(guān)注。視頻內(nèi)容的分析主要包括目標檢測、目標識別、目標追蹤等幾大領(lǐng)域。本文主要針對監(jiān)控視頻中的異常行為檢測問題,首先對異常的基本概念和基礎(chǔ)理論進行了簡單介紹,綜述和分析了國內(nèi)外的研究現(xiàn)狀和主流算法,隨后提出了針對全局和局部異常檢測的算法,并分別對算法的具體實施和測試結(jié)果進行了相關(guān)的分析。本文的研究內(nèi)容和創(chuàng)新點如下:1.提出了基于多特征提取的局部異常檢測算法。傳統(tǒng)的異常檢測算法通常籠統(tǒng)地對異常進行統(tǒng)一的特征提取,這將造成運動信息的不合理使用甚至丟失,進而造成對異常檢測的高誤檢率。本文通過構(gòu)建局部異常的特征模型,將局部異常進一步劃分為速度異常、形態(tài)異常及位置異常,并為每一類異常分別進行特征的提取和檢測,并最終得到統(tǒng)一性的異常得分。實驗結(jié)果證明了這種分類方式是合理而具有優(yōu)勢的。2.提出了基于分裂合并聚類算法的前景目標提取方案。傳統(tǒng)的局部異常檢測特征提取方案通常將視頻序列劃分為固定大小規(guī)則形狀的塊(二維)或體(三維),這種劃分方式會產(chǎn)生對目標的錯誤分割及誤判率增加等問題。本文通過多次限制性迭代,在每一步迭代中不斷分裂不符合樣本模型的前景區(qū)域,并合并相似性區(qū)域,實現(xiàn)對前景的有效分割,提取出單個或多個重疊目標的前景,在此區(qū)域內(nèi)實現(xiàn)特征提取等操作。這一方案對特征區(qū)分度的影響較大,因此也是決定整體算法有效性的關(guān)鍵因素。3.改進了 NSH分類算法。原有NSH算法盡管可以實現(xiàn)異常數(shù)據(jù)的檢測,然而其在尋找最優(yōu)參數(shù)時效率較低且魯棒性較差。本文提出的INSH算法通過在原有二分類算法框架基礎(chǔ)上重新定義目標函數(shù)和重新設(shè)計凸包解決方案,實現(xiàn)比原有算法更優(yōu)的分類檢測結(jié)果。4.提出了基于全局動能的全局異常檢測算法。傳統(tǒng)的全局異常檢測算法大多模型復(fù)雜、檢測效果不盡如人意。本文通過分析大規(guī)模運動特點提出了基于全局動能差的全局異常檢測算法,算法通過構(gòu)建全局動能進而計算動能差實現(xiàn)全局異常的檢測,實驗證明該方法時間成本較低且而行之有效的。
[Abstract]:With the development and progress of society, more and more social security problems appear. How to avoid and respond to unexpected public events as an important issue of public safety has been extensively studied by academia and industry, which has resulted in a variety of security mechanisms and corresponding technologies. As a widely used technology, video surveillance plays an important role in many aspects. However, there are still various problems in the current universal monitoring technology. As an important category of computer vision, the analysis of surveillance video content has been concerned by academia since the beginning of its development. Video content analysis mainly includes target detection, target recognition, target tracking and so on. This paper focuses on the detection of abnormal behavior in surveillance video. Firstly, the basic concepts and theories of anomaly are briefly introduced, and the current research situation and mainstream algorithms at home and abroad are summarized and analyzed. Then an algorithm for global and local anomaly detection is proposed, and the implementation and test results of the algorithm are analyzed respectively. The contents and innovations of this paper are as follows: 1. A local anomaly detection algorithm based on multi-feature extraction is proposed. The traditional anomaly detection algorithm usually carries on the unified feature extraction to the anomaly in general, which will cause the unreasonable use and even the loss of the motion information, and then cause the high error detection rate of the anomaly detection. In this paper, the local anomaly is further divided into velocity anomaly, morphological anomaly and location anomaly by constructing the feature model of the local anomaly, and the feature extraction and detection for each kind of anomaly are carried out respectively, and finally the unified anomaly score is obtained. The experimental results show that this classification method is reasonable and has advantages. 2. A foreground target extraction scheme based on split merge clustering algorithm is proposed. The traditional local anomaly detection feature extraction scheme usually divides the video sequence into blocks (2D) or volume (3D) with fixed size and regular shape. This partitioning method will result in the problem of target segmentation and the increase of misjudgment rate. In this paper, through multiple restrictive iterations, the foreground regions which do not conform to the sample model are split continuously in each iteration, and the similarity regions are merged to realize the effective segmentation of the foreground, and the foreground of single or multiple overlapping targets is extracted. In this region, feature extraction and other operations are implemented. This scheme has a great influence on the classification of features, so it is also a key factor to determine the effectiveness of the whole algorithm. The NSH classification algorithm is improved. Although the original NSH algorithm can detect abnormal data, it is less efficient and less robust in finding the optimal parameters. The INSH algorithm proposed in this paper redefines the objective function and redesigns the convex hull solution on the basis of the original two-classification algorithm framework to achieve a better classification detection result than the original algorithm .4. A global anomaly detection algorithm based on global kinetic energy is proposed. Most of the traditional global anomaly detection algorithms are complex, and the detection results are not satisfactory. In this paper, a global anomaly detection algorithm based on global kinetic energy difference is proposed by analyzing the characteristics of large scale motion. The algorithm realizes global anomaly detection by constructing global kinetic energy and calculating kinetic energy difference. Experiments show that the time cost of this method is low and effective.
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 馬安光;;棋子問題的算法分析——2003年第11期題解[J];程序員;2004年01期

2 馮舜璽;;新書推薦:《算法分析導(dǎo)論》[J];計算機教育;2006年05期

3 張力,慕曉冬;計算機算法分析淺談[J];武警工程學(xué)院學(xué)報;2002年04期

4 馬安光;;飛彈問題的算法分析——2003年第10期題解[J];程序員;2003年12期

5 蘇運霖;;《算法分析導(dǎo)論》評介[J];計算機教育;2006年07期

6 朱力強;;培養(yǎng)學(xué)生創(chuàng)新思維與能力的算法分析案例[J];計算機與信息技術(shù);2007年11期

7 汪菊琴;;幾種常見特殊方陣的算法分析與實現(xiàn)[J];無錫職業(yè)技術(shù)學(xué)院學(xué)報;2009年05期

8 李涵;;“算法分析與設(shè)計”課程教學(xué)改革和實踐[J];中國電力教育;2010年16期

9 劉寧;管濤;;淺析案例教學(xué)法在算法分析與設(shè)計課程中的應(yīng)用[J];科技風(fēng);2011年07期

10 胡峰;王國胤;;“算法分析與設(shè)計”教學(xué)模式探索[J];當代教育理論與實踐;2011年12期

相關(guān)會議論文 前10條

1 俞洋;田亞菲;;一種新的變步長LMS算法及其仿真[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

2 周顥;劉振華;趙保華;;構(gòu)造型的D~2FA生成算法[A];中國通信學(xué)會通信軟件技術(shù)委員會2009年學(xué)術(shù)會議論文集[C];2009年

3 賴桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（一）[C];2008年

4 劉遠新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺下物流運輸配送系統(tǒng)算法分析[A];第二十六屆中國控制會議論文集[C];2007年

5 王樹西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國學(xué)生計算語言學(xué)研討會論文集[C];2004年

6 王萬青;張曉輝;;改進的A~*算法的高效實現(xiàn)[A];2009全國測繪科技信息交流會暨首屆測繪博客征文頒獎?wù)撐募痆C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實現(xiàn)敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國控制會議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實現(xiàn)基于程序結(jié)構(gòu)的主變元分析[A];第五屆中國測試學(xué)術(shù)會議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計的修正Rife算法及其FPGA實現(xiàn)[A];全國第十屆信號與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前1條

1 科文;VIXD算法分析Web異常[N];中國計算機報;2008年

相關(guān)博士學(xué)位論文 前10條

1 魏哲學(xué);樣本斷點距離問題的算法與復(fù)雜性研究[D];山東大學(xué);2015年

2 劉春明;基于增強學(xué)習(xí)和車輛動力學(xué)的高速公路自主駕駛研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 張敏霞;生物地理學(xué)優(yōu)化算法及其在應(yīng)急交通規(guī)劃中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

4 李紅;流程挖掘算法研究[D];云南大學(xué);2015年

5 卜晨陽;演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 陳拉明;基于非凸優(yōu)化的稀疏重建理論與算法[D];清華大學(xué);2016年

7 劉新旺;多核學(xué)習(xí)算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學(xué);2006年

9 曾國強;改進的極值優(yōu)化算法及其在組合優(yōu)化問題中的應(yīng)用研究[D];浙江大學(xué);2011年

10 肖永豪;蜂群算法及在圖像處理中的應(yīng)用研究[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 黃廈;基于改進蟻群算法的柔性作業(yè)車間調(diào)度問題研究[D];昆明理工大學(xué);2015年

2 李平;基于Hadoop的信息爬取與輿情檢測算法研究[D];昆明理工大學(xué);2015年

3 趙官寶;基于位表的關(guān)聯(lián)規(guī)則挖掘算法研究[D];昆明理工大學(xué);2015年

4 殷文華;移動容遲網(wǎng)絡(luò)中基于社會感知的多播分發(fā)算法研究[D];內(nèi)蒙古大學(xué);2015年

5 徐翔燕;人工魚群優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2015年

6 李德福;基于小世界模型的啟發(fā)式尋路算法研究[D];華中師范大學(xué);2015年

7 鄭海彬;一種面向MAPREDUCE的DATASHUFFLE的優(yōu)化方法[D];蘇州大學(xué);2015年

8 趙曉寒;輪換步長PSO算法及SMVSC參數(shù)優(yōu)化[D];沈陽理工大學(xué);2015年

9 安豐洋;基于無線網(wǎng)絡(luò)的廣播算法研究[D];曲阜師范大學(xué);2015年

10 李智明;基于改進FastICA算法的混合語音盲分離[D];上海交通大學(xué);2015年

，

本文編號：1855509