隨著計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的快速發(fā)展,大量國內(nèi)外學(xué)者對(duì)作用于視頻監(jiān)控下的人體異常行為檢測(cè)技術(shù)產(chǎn)生了濃厚的興趣。并且隨著視頻數(shù)據(jù)量的迅速增長,如何快速且準(zhǔn)確的識(shí)別異常行為成為了該領(lǐng)域的研究熱點(diǎn)。人體異常行為檢測(cè)過程由視頻預(yù)處理、人體特征的提取與檢測(cè)模型的訓(xùn)練、正常與異常行為的分類等部分組成。本文針對(duì)上述過程,所做具體工作總結(jié)如下:（1）KNN非參數(shù)核密度估計(jì)算法是一種常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法,它根據(jù)樣本屬性進(jìn)行建模,使用概率密度函數(shù)對(duì)數(shù)據(jù)點(diǎn)進(jìn)行估計(jì),進(jìn)而完成前景圖像的提取。但是使用KNN非參數(shù)核密度估計(jì)算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè),會(huì)出現(xiàn)目標(biāo)提取有陰影,背景分離不徹底,目標(biāo)輪廓不分明等問題。針對(duì)上述算法存在的缺點(diǎn)和問題,本文提出了改進(jìn)的KNN非參數(shù)核密度估計(jì)算法,該算法應(yīng)用K近鄰非參數(shù)密度算法計(jì)算圖像中像素點(diǎn)的概率密度,提取運(yùn)動(dòng)目標(biāo),同時(shí)利用高斯濾波函數(shù),通過二維離散傅里葉的正反變換在頻率域?qū)Σ蓸拥囊曨l幀進(jìn)行高通濾波,所得的圖像再和前景圖像進(jìn)行融合,從而實(shí)現(xiàn)提取出更具有視覺效果的前景圖像。實(shí)驗(yàn)結(jié)果表明,本文提出的方法得到的前景圖像清除陰影效果明顯,背景分離較為徹底,目標(biāo)輪廓分明。（2）為了人體異... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)監(jiān)控方式

西安科技大學(xué)碩士學(xué)位論文8圖2.1視頻下的人體異常行為檢測(cè)流程圖具體實(shí)現(xiàn)細(xì)節(jié)如下：（1）預(yù)處理：把輸入的視頻按照特定的幀率轉(zhuǎn)化為圖像，可以對(duì)這些圖像進(jìn)行前景分離，形態(tài)學(xué)處理和尺度規(guī)范化等操作，以便得到更有價(jià)值的圖像數(shù)據(jù)。（2）特征提�。簩�(duì)預(yù)處理后的圖像數(shù)據(jù)提取特征，減少特征數(shù)據(jù)集中的屬性，得到可以表示人體行為的特征。（3）模型建立：通過對(duì)特征數(shù)據(jù)的訓(xùn)練，學(xué)習(xí)得到符合樣本分布的檢測(cè)模型，用于后續(xù)處理。（4）異常檢測(cè)：對(duì)測(cè)試數(shù)據(jù)同樣提取特征送入訓(xùn)練好的模型，按照一定的判決規(guī)則得到分類結(jié)果。2.1.3行為分類算法研究當(dāng)前基于視頻下的人體異常行為檢測(cè)算法主要分為兩種：一種是傳統(tǒng)的基于機(jī)器學(xué)習(xí)的手工提取特征方法，一種是基于深度學(xué)習(xí)的分類方法。傳統(tǒng)的基于機(jī)器學(xué)習(xí)的方法基本都使用人工提取特征的方式，過程比較繁瑣且檢測(cè)準(zhǔn)確率不高�；谏疃葘W(xué)習(xí)的方法能夠使網(wǎng)絡(luò)模型對(duì)視頻中的行為特征自行學(xué)習(xí)，這種方法既能夠提取到視頻序列中的深度特征，又能使檢測(cè)準(zhǔn)確率得以提高，因而得到很多學(xué)者的認(rèn)可。人體異常行為檢測(cè)中最重要的問題是如何選取最具有表征能力的特征。傳統(tǒng)的基于機(jī)器學(xué)習(xí)的方法，根據(jù)人體異常動(dòng)作的特點(diǎn)，人為的設(shè)計(jì)特征，具有先驗(yàn)的特點(diǎn)，面對(duì)不同的場(chǎng)景，不同的人選擇的特征也不同，由此訓(xùn)練的模型會(huì)缺乏泛化能力。傳統(tǒng)的手工提取特征的人體異常行為檢測(cè)算法流程如圖2.2所示。圖2.2基于手工提取特征的人體異常行為檢測(cè)算法流程圖

2相關(guān)理論基礎(chǔ)9和傳統(tǒng)的人體異常行為檢測(cè)方法相比較，深度學(xué)習(xí)方法不用繁瑣的手動(dòng)提取特征，它是從數(shù)據(jù)樣本中自行學(xué)習(xí)行為特征并進(jìn)行描述。深度學(xué)習(xí)方法對(duì)網(wǎng)絡(luò)從下而上進(jìn)行學(xué)習(xí)并提取行為特征，如圖2.3所示，在模型的學(xué)習(xí)過程中，原始樣本圖像依次經(jīng)過輸入層和多隱藏層，由低層次的表示到高層次的表示，直到得到本質(zhì)的特征表示。圖2.3深度學(xué)習(xí)模型對(duì)樣本數(shù)據(jù)的提取與表示過程2.2深度學(xué)習(xí)概述GH等人在2006年提出了深度學(xué)習(xí)(DeepLearning)這一概念，深度學(xué)習(xí)源于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，完美的實(shí)現(xiàn)了自動(dòng)提取特征進(jìn)行學(xué)習(xí)的過程。深度學(xué)習(xí)把分散的神經(jīng)元按照特定的連接方式組合成整個(gè)神經(jīng)網(wǎng)絡(luò)，模擬人腦進(jìn)行學(xué)習(xí)和分析。下面對(duì)本文用到的一些深度學(xué)習(xí)原理進(jìn)行概述。2.2.1神經(jīng)元神經(jīng)網(wǎng)絡(luò)是由許多基本的“神經(jīng)元”結(jié)構(gòu)構(gòu)成的，通過輸入帶有權(quán)值參數(shù)的值得到最后的輸出結(jié)果，單個(gè)神經(jīng)元的結(jié)構(gòu)如圖2.4所示。

【參考文獻(xiàn)】：
期刊論文
[1]視頻行為識(shí)別綜述[J]. 羅會(huì)蘭,王嬋娟,盧飛.  通信學(xué)報(bào). 2018(06)
[2]基于Faster R-CNN的人體行為檢測(cè)研究[J]. 莫宏偉,汪海波.  智能系統(tǒng)學(xué)報(bào). 2018(06)
[3]基于MATLAB圖像處理的頻率域?yàn)V波分析及應(yīng)用[J]. 東紅林,于蓮芝.  軟件導(dǎo)刊. 2017(10)
[4]基于深度學(xué)習(xí)的人體行為識(shí)別算法綜述[J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動(dòng)化學(xué)報(bào). 2016(06)
[5]人體動(dòng)作行為識(shí)別研究綜述[J]. 李瑞峰,王亮亮,王珂.  模式識(shí)別與人工智能. 2014(01)
[6]L1/2正則化Logistic回歸[J]. 趙謙,孟德宇,徐宗本.  模式識(shí)別與人工智能. 2012(05)

博士論文
[1]視頻人臉及人體行為識(shí)別關(guān)鍵技術(shù)研究[D]. 劉宇琦.吉林大學(xué) 2018

碩士論文
[1]基于雙流卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻中打斗行為識(shí)別研究[D]. 高陽.西安理工大學(xué) 2018
[2]基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D]. 李冠迪.重慶理工大學(xué) 2017
[3]面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)與異常行為分析[D]. 朱明凌.中國計(jì)量學(xué)院 2015



本文編號(hào)：3615616