針對視頻監(jiān)控場景中的暴力行為問題,提出一種基于局部約束的稀疏分類模型和運動韋伯特征相結合的暴力檢測方法。利用高斯濾波對輸入視頻去除一些噪聲,提取出運動韋伯特征;提出改進的稀疏分類模型用于特定類字典的學習,引入基于局部約束的表達約束項和系數(shù)調整項用于提高模型的判別性;提出相應的分類機制用于對視頻中的暴力行為進行分類。結果表明,提出的特征具有較強的判別性,且提出的基于局部約束的稀疏分類模型非常有效。 

【文章來源】：計算機應用與軟件. 2020,37(07)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

提出的算法框架

改進后的WLD直方圖的構建如圖2所示。輸入圖像中的某一鄰域內(nèi)的像素分為4×4塊,每塊包含3×3個像素。這樣得到的WLD直方圖有4×4×12=192維的向量。改進后的WLD只是對靜態(tài)圖像的處理,在暴力檢測時,如果使用改進后的WLD特征進行特征描述,會產(chǎn)生很多與行為沒有關系的興趣點區(qū)域,對暴力檢測結果產(chǎn)生很大的影響。因此本文提出了運動韋伯描述子(MoWLD),它由兩部分構成:累加的WLD直方圖,用來描述圖像的表觀空間;累加的光流直方圖,用來刻畫時間上的運動特征。此外,在同一位置的不同大小的子圖像能夠產(chǎn)生不同的特征向量,只有多尺度的圖像采樣方法可以解決這個問題,因此本文可以采用基于P個像素的正方形對稱的鄰域的集合計算得到的多尺度的WLD特征分析算法[12]。

這里我們直接將光流直方圖融入到WLD直方圖中形成MoWLD描述子,并不對光流方向進行調整。圖3給出了MoWLD描述子的構建過程。提取連續(xù)四幀圖像用于計算WLD和光流的直方圖,具有足夠運動量的候選興趣點被認為是MoWLD的興趣點,累加起來就是整個MoWLD特征。1.1.4 多尺度的MoWLD

【參考文獻】：
期刊論文
[1]圖結構多尺度變換的視頻異常檢測[J]. 汪洪流,郭春生.  中國圖象圖形學報. 2017(11)
[2]基于深度學習特征的異常行為檢測[J]. 王軍,夏利民.  湖南大學學報(自然科學版). 2017(10)
[3]改進星型級聯(lián)可形變部件模型的行人檢測[J]. 韋皓瀚,曹國,金挺,王必勝,尚巖峰.  中國圖象圖形學報. 2017 (02)
[4]門禁系統(tǒng)中的異常行為檢測[J]. 楊偉清,范勇,高琳,胡鵬.  計算機應用研究. 2017(03)

碩士論文
[1]面向家庭環(huán)境的人體日常行為識別[D]. 周霞.深圳大學 2016
[2]基于逐窗口優(yōu)光流法的人體異常行為檢測技術研究[D]. 宋明俊.深圳大學 2015



本文編號：3267145