為實現(xiàn)復雜場景下端對端實時視頻監(jiān)控異常目標檢測與定位,借鑒目標檢測思路,提出端對端SSD實時視頻監(jiān)控異常目標檢測與定位算法。本算法在卷積神經(jīng)網(wǎng)絡6個不同尺度卷積特征圖上采用2組3×3卷積核設置目標預選框得到異常分類及更加準確完整的異常目標邊界框,完成異常檢測一步式實現(xiàn),同時該方法每秒可處理近58幀視頻,滿足實時性需要。本文算法在UCSD Ped1和Ped2中進行實驗,并在3種不同評價準則下進行性能評估,在嚴格雙像素準則下,Ped2中EER優(yōu)于Cascade DNN 9.71%,優(yōu)于Mohammad Sabokrou 13.41%,實驗結果表明,本方法能夠有效檢測視頻中異常行為且準確率較高。 

【文章來源】：燕山大學學報. 2020,44(05)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

SSD工作原理框圖及預選框生成規(guī)則示意圖

非極大值抑制過程示意圖

在UCSDPed2中異常檢測效果如圖5所示,在UCSDPed1中異常檢測效果如圖6所示,其中框的左上角顯示normal表示運動活動區(qū)域,顯示abnormal表示異常所在位置,由圖可見,本文算法對于UCSD數(shù)據(jù)集中的自行車、小型汽車、滑板等異常目標皆能做出較為準確的異常檢測,同時得到的異常目標邊界框較傳統(tǒng)的分塊方法如S-TCNN[2]更為適應,定位也更為精準。圖6 UCSD Ped1 中異常檢測及定位示例

【參考文獻】：
期刊論文
[1]時空深度特征AP聚類的稀疏表示視頻異常檢測算法[J]. 胡正平,張樂,尹艷華.  信號處理. 2019(03)



本文編號：3569651