基于深度學習的視頻監(jiān)控中人體異常行為研究
發(fā)布時間：2021-09-30 18:24
視頻監(jiān)控對維護公共場所的安全秩序發(fā)揮著重要的作用。如何處理視頻監(jiān)控中采集的大量信息,并對其中的異常信息進行分析和理解,是該領域的重要研究方向。目前基于計算機視覺的視頻監(jiān)控中異常行為識別的主要方法有:（1）BP神經(jīng)網(wǎng)絡、支持向量機等傳統(tǒng)模式識別方法;（2）以CNN和RNN等為代表的深度學習方法。傳統(tǒng)模式識別方法依賴于人工選取的特征,智能化程度低,識別精度不高。深度學習模型泛化能力強,特征提取自動完成。文中使用深度學習的方法分別對視頻監(jiān)控中跌倒和打斗兩種異常行為進行了相關研究工作,具體總結如下:（1）針對視頻監(jiān)控中跌倒行為識別準確率不高,現(xiàn)有深度學習方法不能較好的把視頻監(jiān)控中跌倒行為的空間和時序特征有效結合起來的現(xiàn)象,提出基于CNN和LSTM混合模型的人體跌倒行為識別方法。該模型采用兩層結構,首先,將視頻以每5幀為一組輸入到網(wǎng)絡中,然后,利用CNN提取視頻序列的空間特征,LSTM提取視頻數(shù)據(jù)時間維度上的特征,最后,使用softmax分類器進行識別。實驗表明,該方法可以有效的提高跌倒行為識別的準確率。（2）針對視頻監(jiān)控中打斗行為識別準確率不高,現(xiàn)有深度學習方法時間維度不能充分利用等問題,提出...
【文章來源】：西安科技大學陜西省
【文章頁數(shù)】：56 頁
【學位級別】：碩士
【部分圖文】：
不同場景下視頻監(jiān)控目前，在實際生產(chǎn)生活中大多應用的是傳統(tǒng)的視頻監(jiān)控方式，如圖1.2所示
圖 1.2 傳統(tǒng)監(jiān)控方式針對傳統(tǒng)視頻監(jiān)控方式存在的弊端，有必要實現(xiàn)視頻監(jiān)控的智能化以滿足社會實現(xiàn)計算機模擬人類大腦，實現(xiàn)對視頻監(jiān)控畫面的自動分析和理解，針對其中件及時報警以便于工作人員及時處理，使得損失最小化。今年來，許多專家和頻信息的分析和理解進行了深入的研究，智能視頻監(jiān)控技術得到了進一步的發(fā)理解是使用計算機對視頻數(shù)據(jù)進行處理，獲取有效的信息。視頻中主要有人和鍵要素，而人作為關注的對象之一使得視頻監(jiān)控中人的行為識別成為許多應用點問題。而異常行為識別是其中的一個具體子類，是直接和人的利害關系相關對于人體異常行為的研究意義更大。.2 研究意義智能視頻監(jiān)控中人體行為識別主要涉及到圖像處理、模式識別等學科前沿技術的復雜程度以及行為模式的角度可以將人體行為分為基元行為、單人行為（比如下蹲、跌倒等）、交互行為（如握手、打斗、跟蹤等）和群體性復雜行為（如場逃離的人群）四個層次[1]。本文主要針對單人行為和交互行為中較為常見的
2 相關理論與技術數(shù)關系，這個函數(shù)成為激活函數(shù)，也叫激勵函數(shù)。常見的激活函數(shù)有 relu、sigmoid、tan等。圖 2.2 以 same 卷積方式為例展示了卷積層的計算過程，其中紅色框中為原始矩陣。卷積運算過程是計算兩個相同位置元素的乘積之和，圖中灰色部分計算過程如下：（1×0）+（0×0）+（-1×0）+（1×0）+（0×1）+（-1×1）+（1×0）+（0×0）+（-1×1）+1=-1<0。本例使用 relu 為激活函數(shù)，relu 公式為：g ( x ) max(0, x)(2.5根據(jù)公式（2.5），最終取值為 0。
【參考文獻】：
期刊論文
[1]面向人體行為識別的深度特征學習方法比較[J]. 匡曉華,何軍,胡昭華,周媛. 計算機應用研究. 2018(09)
[2]視頻監(jiān)控中跌倒行為識別[J]. 汪大峰,劉勇奎,劉爽,保文星,王巍. 電子設計工程. 2016(22)
[3]一種基于卷積神經(jīng)網(wǎng)絡深度學習的人體行為識別方法[J]. 王忠民,曹洪江,范琳. 計算機科學. 2016(S2)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應用. 2016(09)
[5]基于軌跡分析的異常行為識別與管控研究[J]. 王曉龍,郭捷,邱衛(wèi)東,徐鵬,郭曼,張菡. 信息安全與通信保密. 2015(03)
博士論文
[1]視頻人臉及人體行為識別關鍵技術研究[D]. 劉宇琦.吉林大學 2018
[2]基于視頻流的運動人體行為識別研究[D]. 趙海勇.西安電子科技大學 2011
[3]視頻運動人體行為識別與分類方法研究[D]. 張浩.西安電子科技大學 2011
碩士論文
[1]基于雙流卷積神經(jīng)網(wǎng)絡的監(jiān)控視頻中打斗行為識別研究[D]. 高陽.西安理工大學 2018
[2]基于遞歸神經(jīng)網(wǎng)絡的人體行為識別方法研究與系統(tǒng)實現(xiàn)[D]. 李偉.哈爾濱工業(yè)大學 2017
[3]機場智能視頻監(jiān)控中異常行為檢測與目標跟蹤算法研究[D]. 王躍東.南京航空航天大學 2017
[4]基于三維視覺的手勢跟蹤及人機交互中的應用[D]. 狄海進.南京大學 2011
本文編號：3416415
【文章來源】：西安科技大學陜西省
【文章頁數(shù)】：56 頁
【學位級別】：碩士
【部分圖文】：
不同場景下視頻監(jiān)控目前，在實際生產(chǎn)生活中大多應用的是傳統(tǒng)的視頻監(jiān)控方式，如圖1.2所示
圖 1.2 傳統(tǒng)監(jiān)控方式針對傳統(tǒng)視頻監(jiān)控方式存在的弊端，有必要實現(xiàn)視頻監(jiān)控的智能化以滿足社會實現(xiàn)計算機模擬人類大腦，實現(xiàn)對視頻監(jiān)控畫面的自動分析和理解，針對其中件及時報警以便于工作人員及時處理，使得損失最小化。今年來，許多專家和頻信息的分析和理解進行了深入的研究，智能視頻監(jiān)控技術得到了進一步的發(fā)理解是使用計算機對視頻數(shù)據(jù)進行處理，獲取有效的信息。視頻中主要有人和鍵要素，而人作為關注的對象之一使得視頻監(jiān)控中人的行為識別成為許多應用點問題。而異常行為識別是其中的一個具體子類，是直接和人的利害關系相關對于人體異常行為的研究意義更大。.2 研究意義智能視頻監(jiān)控中人體行為識別主要涉及到圖像處理、模式識別等學科前沿技術的復雜程度以及行為模式的角度可以將人體行為分為基元行為、單人行為（比如下蹲、跌倒等）、交互行為（如握手、打斗、跟蹤等）和群體性復雜行為（如場逃離的人群）四個層次[1]。本文主要針對單人行為和交互行為中較為常見的
2 相關理論與技術數(shù)關系，這個函數(shù)成為激活函數(shù)，也叫激勵函數(shù)。常見的激活函數(shù)有 relu、sigmoid、tan等。圖 2.2 以 same 卷積方式為例展示了卷積層的計算過程，其中紅色框中為原始矩陣。卷積運算過程是計算兩個相同位置元素的乘積之和，圖中灰色部分計算過程如下：（1×0）+（0×0）+（-1×0）+（1×0）+（0×1）+（-1×1）+（1×0）+（0×0）+（-1×1）+1=-1<0。本例使用 relu 為激活函數(shù)，relu 公式為：g ( x ) max(0, x)(2.5根據(jù)公式（2.5），最終取值為 0。
【參考文獻】：
期刊論文
[1]面向人體行為識別的深度特征學習方法比較[J]. 匡曉華,何軍,胡昭華,周媛. 計算機應用研究. 2018(09)
[2]視頻監(jiān)控中跌倒行為識別[J]. 汪大峰,劉勇奎,劉爽,保文星,王巍. 電子設計工程. 2016(22)
[3]一種基于卷積神經(jīng)網(wǎng)絡深度學習的人體行為識別方法[J]. 王忠民,曹洪江,范琳. 計算機科學. 2016(S2)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應用. 2016(09)
[5]基于軌跡分析的異常行為識別與管控研究[J]. 王曉龍,郭捷,邱衛(wèi)東,徐鵬,郭曼,張菡. 信息安全與通信保密. 2015(03)
博士論文
[1]視頻人臉及人體行為識別關鍵技術研究[D]. 劉宇琦.吉林大學 2018
[2]基于視頻流的運動人體行為識別研究[D]. 趙海勇.西安電子科技大學 2011
[3]視頻運動人體行為識別與分類方法研究[D]. 張浩.西安電子科技大學 2011
碩士論文
[1]基于雙流卷積神經(jīng)網(wǎng)絡的監(jiān)控視頻中打斗行為識別研究[D]. 高陽.西安理工大學 2018
[2]基于遞歸神經(jīng)網(wǎng)絡的人體行為識別方法研究與系統(tǒng)實現(xiàn)[D]. 李偉.哈爾濱工業(yè)大學 2017
[3]機場智能視頻監(jiān)控中異常行為檢測與目標跟蹤算法研究[D]. 王躍東.南京航空航天大學 2017
[4]基于三維視覺的手勢跟蹤及人機交互中的應用[D]. 狄海進.南京大學 2011
本文編號：3416415
本文鏈接：http://www.sikaile.net/kejilunwen/zidonghuakongzhilunwen/3416415.html
最近更新
教材專著
