本文關(guān)鍵詞：基于光流特征的航站樓旅客異常行為識別方法研究

  更多相關(guān)文章： 視頻行為分析 光流場 異常行為識別 群聚 奔跑 打架 行走 旅客 航站樓

【摘要】：近年來,民航業(yè)迅速發(fā)展,客流量日益增多,機場作為民航客運的載體,頻繁發(fā)生旅客鬧事事件。然而傳統(tǒng)視頻監(jiān)控系統(tǒng)依靠人工觀測的方式發(fā)現(xiàn)異常事件,其監(jiān)測有效性與航站樓內(nèi)巨大的監(jiān)控攝像數(shù)量不匹配。智能視頻監(jiān)控系統(tǒng)能對旅客異常行為實時分析,及時預警安全險情,緩解機場安全管理壓力。利用視頻行為分析技術(shù),本文針對視頻旅客出現(xiàn)的快速奔跑、打架斗毆以及聚集圍觀等三類異常行為的檢測與識別進行了詳細地研究。主要研究工作反映在:相對于正常行走,將旅客快速奔跑、打架斗毆定義為運動異常行為,采用了以光流方向區(qū)間為檢測指標的運動異常行為識別方法。首先,計算運動目標檢測后的行人區(qū)域光流特征,將到的光流方向值分配到一定數(shù)量的角度區(qū)間。然后,統(tǒng)計出各區(qū)間的光流特征個數(shù)與光流特征平均幅值,構(gòu)成出描述運動異常行為的特征量。最后,利用優(yōu)化后的特征量對支持向量機進行學習訓練,可以有效地得到識別旅客正常行走、快速奔跑與打架斗毆等3種行為的分類器。針對中低人群密度場景下,旅客聚集異常行為與其他多人行為的相似性,提出了基于人群密度和角點光流特征的多人典型群集異常行為的檢測方法。首先利用前景二值圖計算歸一化前景面積與前景分布的二維聯(lián)合熵,獲得人群密度變化特征;同時,利用前景角點的運動光流特征,計算光流動能與光流方向熵。根據(jù)群聚行為在人群密度及運動特征上的表現(xiàn)特點,利用不同行為在人群密度及光流特征上表現(xiàn)特點的差異,定義群聚、奔跑兩個異常判斷指標;利用閾值法,逐一地識別出群聚、奔跑、打架及正常行走行為。該方法有效減少了利用單一人群密度特征檢測群聚異常帶來的其他群體行為的誤檢。利用本文提出的不同異常行為的檢測識別算法,對多個標準人體行為視頻庫以及實測視頻進行仿真實驗。實驗結(jié)果表明,本文提出的異常行為檢測方法有助于提高航站樓旅客異常行為的識別性能。
【關(guān)鍵詞】：視頻行為分析 光流場 異常行為識別 群聚 奔跑 打架 行走 旅客 航站樓
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V35;TN948.6
【目錄】：

• 摘要4-5
• ABSTRACT5-13
• 第一章 緒論13-20
• 1.1 課題研究背景及意義13-14
• 1.2 課題關(guān)鍵技術(shù)及國內(nèi)外研究現(xiàn)狀14-17
• 1.2.1 異常行為分析研究現(xiàn)狀14-16
• 1.2.2 智能監(jiān)控視頻系統(tǒng)國內(nèi)外研究現(xiàn)狀16-17
• 1.3 本文主要研究內(nèi)容17-18
• 1.4 本文內(nèi)容安排18-20
• 第二章 運動前景提取技術(shù)20-31
• 2.1 常用動目標檢測技術(shù)20-22
• 2.1.1 光流分析法20-21
• 2.1.2 時域差分法21
• 2.1.3 背景差分法21-22
• 2.2 前景提取22-27
• 2.2.1 傳統(tǒng)高斯混合模型22-25
• 2.2.2 改進后的高斯混合模型25
• 2.2.3 圖像平滑和形態(tài)學處理25-27
• 2.3 實驗結(jié)果與分析27-29
• 2.4 本章小結(jié)29-31
• 第三章 基于光流方向區(qū)間的運動異常行為檢測識別研究31-57
• 3.1 算法概述31-32
• 3.2 運動信息獲取32-37
• 3.2.1 金字塔LK光流法32-36
• 3.2.2 區(qū)域光流特征36-37
• 3.3 行為描述特征建立37-39
• 3.3.1 光流方向直方圖38
• 3.3.2 基于角度區(qū)間的光流平均幅值38-39
• 3.4 特征量優(yōu)化39-44
• 3.5 運動異常識別分類44-52
• 3.5.1 支持向量機原理45-50
• 3.5.2 多分類方法50-52
• 3.6 實驗結(jié)果與分析52-56
• 3.6.1 行為識別分類器評估52-55
• 3.6.2 運動異常行為檢測結(jié)果及分析55-56
• 3.7 本章小結(jié)56-57
• 第四章 結(jié)合人群密度和運動信息的群體異常行為檢測識別研究57-77
• 4.1 算法概述57-58
• 4.2 人群密度估計58-67
• 4.2.1 攝像機透視效應58-59
• 4.2.2 歸一化前景面積59-62
• 4.2.3 二維聯(lián)合熵62-63
• 4.2.4 人群密度檢測指標63
• 4.2.5 實驗結(jié)果與分析63-67
• 4.3 基于前景角點的運動特征67-70
• 4.3.1 Shi-Tomasi角點檢測67-68
• 4.3.2 前景角點的光流特征68
• 4.3.3 光流運動能量68-69
• 4.3.4 光流方向熵69-70
• 4.4 異常行為的檢測指標70
• 4.5 群體異常行為識別分析70-76
• 4.6 本章小結(jié)76-77
• 第五章 總結(jié)與展望77-79
• 5.1 總結(jié)77
• 5.2 展望77-79
• 參考文獻79-85
• 致謝85-86
• 在學期間的研究成果及發(fā)表的學術(shù)論文86

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王憲;柳絮青;宋書林;沈源;;一種無監(jiān)督學習的異常行為檢測方法[J];光電工程;2014年03期

2 常慶龍;夏洪山;;利用歸一化前景和二維聯(lián)合熵的人群聚集檢測方法[J];武漢大學學報(信息科學版);2013年09期

3 段晶晶;高琳;范勇;李郁峰;夏菁菁;任新宇;;基于KOD能量特征的群體異常行為識別[J];計算機應用研究;2013年12期

4 杜鑒豪;許力;;基于區(qū)域光流特征的異常行為檢測[J];浙江大學學報(工學版);2011年07期

5 薛麗霞;羅艷麗;王佐成;;基于幀間差分的自適應運動目標檢測方法[J];計算機應用研究;2011年04期

6 張軍;劉志鏡;;基于模糊理論的行人異常動作檢測[J];模式識別與人工智能;2010年03期

7 印勇;張毅;劉丹平;;基于改進Hu矩的異常行為識別[J];計算機技術(shù)與發(fā)展;2009年09期

8 谷軍霞;丁曉青;王生進;;行為分析算法綜述[J];中國圖象圖形學報;2009年03期

9 江志軍;易華蓉;;一種基于圖像金字塔光流的特征跟蹤方法[J];武漢大學學報(信息科學版);2007年08期

10 林洪文,涂丹,李國輝;基于統(tǒng)計背景模型的運動目標檢測方法[J];計算機工程;2003年16期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 林春麗;基于視頻序列的人體行為分類及異常檢測[D];哈爾濱工程大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 朱力e，

本文編號：1099371