隨著計算機視覺和深度學習技術(shù)飛速發(fā)展,在公共安防領(lǐng)域,基于深度學習的一系列智能算法擁有廣闊的應(yīng)用市場和巨大的研究價值。針對監(jiān)控數(shù)據(jù)呈現(xiàn)規(guī)模巨大、存在冗余無效數(shù)據(jù)、缺乏高質(zhì)量標注數(shù)據(jù)等特點,如何利用深度學習進行高效、準確的異常行為識別是重要研究課題。本文主要分為兩部分來開展異常行為識別的研究工作。（1）針對重新訓練Inception-v3算法耗時過長,識別率不高,在缺少高質(zhì)量標注數(shù)據(jù)的情況下容易發(fā)生過擬合等問題。本文使用了一種基于預(yù)訓練Inception-v3遷移學習識別算法。在特征提取階段,使用預(yù)訓練好的Inception-v3算法進行遷移學習提取特征;在預(yù)測階段,建立三層前饋神經(jīng)網(wǎng)絡(luò)、k-近鄰算法、隨機森林、LightGBM、SVM、兩層前饋神經(jīng)網(wǎng)絡(luò)進行行為預(yù)測,并對部分預(yù)測結(jié)果進行Average算法融合。實驗結(jié)果顯示:相比于重新訓練Inception-v3算法,使用預(yù)訓練Inception-v3算法進行遷移學習識別率更高,更不容易發(fā)生過擬合;在遷移特征的基礎(chǔ)上,建立前饋神經(jīng)網(wǎng)絡(luò)算法預(yù)測效果優(yōu)于傳統(tǒng)機器學習算法;算法融合對異常行為識別的識別率進一步的提升。（2）針對采用單一空間流卷積... 

【文章來源】：西安科技大學陜西省

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

圖像識別原理

圖 2.2 幀間差分法kf 和k 1f 分別對應(yīng)視頻幀序列中第 k 幀和第 k+1 幀的灰度圖像，f ( x,y)k和 (,)1fxyk 為對應(yīng)像素點的灰度矩陣。按照公式(2.1)進行像素逐點相減，然后取其絕對值，得到相應(yīng)的差分圖像 D( x,y)k如公式(2.1)所示。(,)(,)(,)1Dxyfxyfxykkk (2.1對差分圖像逐點二值化，提前設(shè)定的閾值為 T，得到相應(yīng)的二值化圖像'nR 。其中，二值化為 255 的點即運動目標點，二值化為 0 的點即是背景點;最后對二值化圖像'nR 進行連通性分析，得到包含完整運動目標圖像nR ，如公式(2.2)所示。 DxyTDxyTRxynnn0(,)255(,)(,)'(2.22.2.2 光流法當人眼觀察三維世界中目標的運動時，運動目標輪廓的運動趨勢信息不斷流過，會在視網(wǎng)膜上形成一系列動作連續(xù)變化的圖像，這些連續(xù)變化的流過人體視網(wǎng)膜，類似一種光流過一樣，因而被稱為光流(Optical Flow)。光流表達了圖像的變化，由于它包含了

圖 2.3 IDT 算法特征提取框架中通過計算灰度圖像梯度直方圖獲得 HOG 特征，計算包括幅度信息和方向的圖得到 HOF 特征，計算光流圖像梯度的直方圖獲得 MBH 特征，提取軌跡信息jectory 特征。2)深度學習自動提取特征：深度特征一般由深度神經(jīng)網(wǎng)絡(luò)某層輸出作為提取到的圖 2.4 的本文用到的 Inception-v3 網(wǎng)絡(luò)就是以 pool3 層的輸出作為提取到的深度

【參考文獻】：
期刊論文
[1]智能視頻監(jiān)控系統(tǒng)中運動目標檢測方法綜述[J]. 王春蘭.  自動化與儀器儀表. 2017(03)
[2]基于深度學習的人體行為識別算法綜述[J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動化學報. 2016(06)

碩士論文
[1]面向智能視頻監(jiān)控系統(tǒng)的運動目標檢測與異常行為分析[D]. 朱明凌.中國計量學院 2015



本文編號：2989506