本文關(guān)鍵詞：面向視頻監(jiān)控的群體異常行為檢測，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代社會經(jīng)濟的發(fā)展,城市化進(jìn)程的加快,城市中大規(guī)模人群活動變得日益頻繁,而相關(guān)的人群事故也屢見不鮮。因此,如何對人群進(jìn)行合理的監(jiān)控管理是城市化進(jìn)程中亟待解決的熱點問題之一。而智能視頻監(jiān)控網(wǎng)絡(luò)是利用計算機技術(shù)實現(xiàn)視頻自動分析的技術(shù)。作為一種有效的公眾安防手段,智能視頻監(jiān)控系統(tǒng)正越來越受到人們的青睞。而本文中研究的針對視頻序列的異常行為檢測技術(shù)是智能視頻監(jiān)控領(lǐng)域中日益受到關(guān)注的一個研究方向。通過計算機技術(shù),對監(jiān)控網(wǎng)絡(luò)中的視頻數(shù)據(jù)進(jìn)行視頻分析,相對于傳統(tǒng)的事后人工分析視頻,能夠大大地減少人力物力,給社會帶來很大的經(jīng)濟效益;并且能夠?qū)崿F(xiàn)實時預(yù)警,解決了傳統(tǒng)監(jiān)控系統(tǒng)的事后性。本文從理論和實際應(yīng)用的角度,對以視頻為輸入的異常行為檢測進(jìn)行了一些新的探索。具體所做的工作與主要創(chuàng)新點有:(1)在基于稀疏表示的異常行為檢測算法中,提出了一種改進(jìn)后的字典在線更新算法,相對與基于MOD和基于KSVD的傳統(tǒng)算法來說,改進(jìn)后的在線訓(xùn)練算法,將字典學(xué)習(xí)問題由凸數(shù)據(jù)集的平滑非凸目標(biāo)函數(shù)的最優(yōu)化問題,轉(zhuǎn)化為當(dāng)訓(xùn)練數(shù)據(jù)量接近無窮時的期望誤差的最小化問題,這樣,僅僅只需在算法的每次迭代過程通過LARS算法,計算最小化二次函數(shù)在約束性條件下的經(jīng)驗代價,更加有效地并且快速地最優(yōu)化目標(biāo)函數(shù);同時,由于空間復(fù)雜度大大降低,在訓(xùn)練樣本數(shù)據(jù)量很大的場景中,即監(jiān)控場景中的攝像頭分辨率很大,也能夠快速地達(dá)到全局收斂,得到有效的字典表示,不會像傳統(tǒng)的在線訓(xùn)練算法,由于內(nèi)存占用過大而無法訓(xùn)練或者必須提升現(xiàn)有系統(tǒng)設(shè)備。(2)改進(jìn)稀疏表示算法,應(yīng)用了一種新的稀疏組合模型,其原理在于,訓(xùn)練階段,動態(tài)更新稀疏組合集合,其中每個組合盡可能多地表示原始數(shù)據(jù)且保證重構(gòu)誤差在可允許范圍內(nèi),這樣,傳統(tǒng)的復(fù)雜的字典優(yōu)化問題,就會變?yōu)楹唵蔚亩雾梼?yōu)化問題,訓(xùn)練時間大大降低;且在異常檢測階段,只需遍歷訓(xùn)練得到的稀疏組合集合,判斷是否存在組合使其重構(gòu)誤差在給定閾值之內(nèi),是很簡單的線性遍歷方法,而傳統(tǒng)的稀疏表示方法,由于稀疏系數(shù)搜索空間比較大,必須進(jìn)行多次迭代計算出其對應(yīng)稀疏系數(shù)矩陣,然后計算其重構(gòu)誤差,這樣大大地消耗了計算資源,計算速率也很低。(3)使用多個混合紋理對復(fù)雜場景建模。傳統(tǒng)的基于動態(tài)紋理的算法,如視頻恢復(fù)等等應(yīng)用,一般都是單一動態(tài)紋理建模。然而由于監(jiān)控系統(tǒng)場景的不確定性,單一動態(tài)紋理無法滿足其性能要求。本文中通過多個動態(tài)紋理線性加權(quán),使用混合動態(tài)紋理模型建模原始視頻數(shù)據(jù),提出相應(yīng)的參數(shù)更新算法,相對于單一動態(tài)紋理建模,對場景變化較大的視頻數(shù)據(jù)有更好的建模能力。(4)提出一種時空域異常行為融合的異常檢測算法。傳統(tǒng)算法中,只考慮單一域的異常行為模式,例如基于前后幀差異的時域異常行為,又或者基于顯著性方法的異常行為檢測,只考慮空間像素的差異性,很少有算法能夠同時考慮時域與空域的影響。本文中,在基于混合動態(tài)紋理模型的算法中,通過時域模型的訓(xùn)練,測試檢測數(shù)據(jù)的耦合模型概率,計算出對應(yīng)的時域異常圖譜;同時,利用顯著性算法原理,對視頻幀進(jìn)行空域異常圖譜的計算。綜合考慮時域與空域的異�？赡苄�,經(jīng)過實驗證明,相對于傳統(tǒng)的單一域的算法,魯棒性有較大地提升。
【關(guān)鍵詞】：異常檢測 稀疏表示 稀疏組合 混合動態(tài)紋理 時空域異常行為融合
【學(xué)位授予單位】：上海大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN948.6
【目錄】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 緒論13-20
• 1.1 課題研究的目的及意義13-14
• 1.2 國內(nèi)外研究概況14-16
• 1.3 異常行為檢測技術(shù)及難點16-18
• 1.4 論文主要工作與章節(jié)安排18-20
• 1.4.1 論文主要研究工作18
• 1.4.2 論文的章節(jié)安排18-20
• 第二章 基礎(chǔ)技術(shù)的研究與實現(xiàn)20-35
• 2.1 背景建模20-26
• 2.1.1 時間差分法20-21
• 2.1.2 背景減除法21-22
• 2.1.3 統(tǒng)計模型方法22-25
• 2.1.4 混合高斯模型背景檢測法25-26
• 2.2 運動特征方法研究26-31
• 2.2.1 局部描述子26-27
• 2.2.2 光流場及GPU并行化27-30
• 2.2.3 局域時空運動模型30-31
• 2.3 動態(tài)紋理建模方法研究31-33
• 2.3.1 動態(tài)紋理模型31-33
• 2.3.2 動態(tài)紋理模型參數(shù)近似估計33
• 2.4 本章小結(jié)33-35
• 第三章 基于稀疏表示的群體異常行為檢測算法35-48
• 3.1 視頻數(shù)據(jù)預(yù)處理及特征提取35-38
• 3.1.1 改進(jìn)的混合高斯模型35-37
• 3.1.2 多尺度光流直方圖提取37-38
• 3.2 稀疏編碼模型38-40
• 3.2.1 稀疏編碼概述39
• 3.2.2 稀疏編碼模型建立39-40
• 3.3 字典參數(shù)估計40-44
• 3.3.0 離線更新與在線更新41-42
• 3.3.1 改進(jìn)的字典在線訓(xùn)練算法42-43
• 3.3.2 重構(gòu)誤差的計算及改進(jìn)43-44
• 3.4 實驗44-46
• 3.4.1 實驗介紹44-45
• 3.4.2 實驗結(jié)果及分析45-46
• 3.5 本章小結(jié)46-48
• 第四章 基于稀疏組合模型的群體異常行為檢測48-65
• 4.1 特征提取48-51
• 4.1.1 局域時空運動提取49
• 4.1.2 多尺度局域時空運動特征提取49-51
• 4.2 數(shù)據(jù)降維51-55
• 4.2.1 PCA定義51-52
• 4.2.2 PCA原理52-54
• 4.2.3 PCA解法54-55
• 4.3 稀疏組合模型55-60
• 4.3.1 稀疏組合定義56
• 4.3.2 稀疏組合訓(xùn)練算法56-59
• 4.3.3 重構(gòu)誤差計算59-60
• 4.4 實驗60-63
• 4.4.1 實驗環(huán)境及參數(shù)設(shè)置60
• 4.4.2 Avenue數(shù)據(jù)集60-62
• 4.4.3 Subway數(shù)據(jù)集62-63
• 4.5 本章小結(jié)63-65
• 第五章 基于混合動態(tài)態(tài)紋理表示的群體異常行為檢測65-81
• 5.1 混合動態(tài)紋理建模66-69
• 5.1.1 混合動態(tài)紋理模型66-67
• 5.1.2 混合動態(tài)紋理模型參數(shù)估計67-69
• 5.2 時域異常行為檢測69-71
• 5.2.1 時域混合動態(tài)紋理建模69-70
• 5.2.2 時域異常圖譜計算70-71
• 5.3 空域異常行為檢測71-75
• 5.3.1 顯著性判決71-72
• 5.3.2 混合動態(tài)紋理中心-周邊顯著性分析72-73
• 5.3.3 空域異常圖譜計算73-75
• 5.4 時空域異常行為融合75-76
• 5.5 實驗76-80
• 5.5.1 UCSD行人異常數(shù)據(jù)集介紹76-77
• 5.5.2 實驗性能評測標(biāo)準(zhǔn)77-78
• 5.5.3 算法性能及分析78-80
• 5.6 本章小結(jié)80-81
• 第六章 結(jié)論與展望81-84
• 6.1 結(jié)論81-82
• 6.2 展望82-84
• 參考文獻(xiàn)84-91
• 作者在攻讀碩士學(xué)位期間公開發(fā)表的論文91-92
• 作者在攻讀碩士學(xué)位期間所參與的項目92-93
• 致謝93

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王喬;雷航;郝宗波;;基于整體能量模型的異常行為檢測[J];計算機應(yīng)用研究;2012年12期

  本文關(guān)鍵詞：面向視頻監(jiān)控的群體異常行為檢測，由筆耕文化傳播整理發(fā)布。

本文編號：480433