隨著公眾安全意識(shí)的提升以及視頻監(jiān)控設(shè)備制造成本的降低,越來(lái)越多的場(chǎng)所架設(shè)了視頻監(jiān)控系統(tǒng)。其中,針對(duì)公共場(chǎng)所的人群異常檢測(cè)系統(tǒng)尤為重要,該場(chǎng)景下較高的人群密度導(dǎo)致異常事件發(fā)生概率的提升,并導(dǎo)致其影響范圍的快速擴(kuò)大。現(xiàn)有的此類異常檢測(cè)系統(tǒng)多是針對(duì)人群擁堵或指定的異常行為進(jìn)行檢測(cè),缺乏異常行為的通用檢測(cè)方案。因此,本研究基于上述現(xiàn)狀,結(jié)合深度學(xué)習(xí)技術(shù)對(duì)人群異常檢測(cè)相關(guān)領(lǐng)域展開研究,設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)人群異常行為檢測(cè)系統(tǒng)。與針對(duì)具體行為進(jìn)行檢測(cè)的現(xiàn)有異常檢測(cè)系統(tǒng)相比,本系統(tǒng)不對(duì)異常種類進(jìn)行限制,實(shí)現(xiàn)對(duì)人群中各類異常行為的通用檢測(cè)。首先,本研究對(duì)人群異常行為檢測(cè)模型展開研究。由于異常事件復(fù)雜多樣、難以定義,監(jiān)控視頻中的異常檢測(cè)一直是一個(gè)具有挑戰(zhàn)性的問(wèn)題。對(duì)此,本研究提出了一種全新的雙流時(shí)空生成模型,通過(guò)同時(shí)進(jìn)行輸入視頻幀的重建和未來(lái)幀的預(yù)測(cè)來(lái)充分利用視頻信息。為了提高該模型對(duì)視頻中表征物體外觀及運(yùn)動(dòng)的時(shí)空特征的捕捉能力,本研究首先將ConvLSTM融入生成模型,再構(gòu)造出一個(gè)判別器與之對(duì)抗訓(xùn)練。在使用正常事件樣本訓(xùn)練后,本研究的生成模型可以針對(duì)輸入的視頻片段計(jì)算出重構(gòu)誤差和預(yù)測(cè)誤差并依此進(jìn)行異常檢測(cè)...

【文章頁(yè)數(shù)】：100 頁(yè)

【學(xué)位級(jí)別】：碩士

圖1.1現(xiàn)場(chǎng)監(jiān)控

圖1.2暴亂后的車站（2）2015年9月24日，沙特麥加發(fā)生人群踩踏事故（見圖1.3和1.4），

圖1.3事故發(fā)生的交叉口

圖1.4事故后的現(xiàn)場(chǎng)

本文編號(hào)：3886380