本文選題：人群異常狀態(tài)檢測(cè)　切入點(diǎn)：慢特征分析　出處：《哈爾濱工業(yè)大學(xué)》2017年博士論文

【摘要】：近年來(lái),隨著社會(huì)發(fā)展,很多公共場(chǎng)所如運(yùn)動(dòng)場(chǎng)館、演出場(chǎng)館、節(jié)日慶典現(xiàn)場(chǎng)以及大型商業(yè)區(qū)等,偶爾會(huì)出現(xiàn)大量人群聚集的現(xiàn)象,極易發(fā)生擁擠踩踏事故。群體性公共安全事件頻發(fā)對(duì)以視頻監(jiān)控為代表的人群行為分析研究提出了更高的要求。在人群視頻監(jiān)控領(lǐng)域應(yīng)用人群異常狀態(tài)檢測(cè)預(yù)警技術(shù)能夠及時(shí)發(fā)現(xiàn)場(chǎng)景中的異�，F(xiàn)象,為后續(xù)的救援以及疏導(dǎo)工作提供支持,減少人群異常事件帶來(lái)的損失。人群異常行為檢測(cè)的過(guò)程可以概括為,采用視頻中正常行人樣本訓(xùn)練一個(gè)檢測(cè)模型,將與正常樣本存在較大差異的待測(cè)試樣本判定為異常。人群異常狀態(tài)預(yù)警方法往往先演進(jìn)出場(chǎng)景未來(lái)的狀態(tài),在演進(jìn)得到的狀態(tài)上發(fā)現(xiàn)人群的異常,從而實(shí)現(xiàn)對(duì)人群事故的預(yù)警。本文主要研究?jī)?nèi)容包括:(1)研究人群場(chǎng)景中表達(dá)能力較強(qiáng)的高語(yǔ)義特征,提出一種基于慢特征分析(Slow Feature Analysis)的人群異常狀態(tài)檢測(cè)方法。通常人眼接收到的基礎(chǔ)感知信號(hào)會(huì)在短時(shí)間內(nèi)發(fā)生快速變化,而收到基礎(chǔ)信號(hào)刺激后,人腦產(chǎn)生的高級(jí)反應(yīng)則趨向于在更長(zhǎng)的時(shí)間內(nèi)發(fā)生緩慢的變化。慢特征分析方法模擬了人類(lèi)視覺(jué)皮層反應(yīng)區(qū)域的這一功能,通過(guò)一個(gè)映射函數(shù),將快速變化的低語(yǔ)義視覺(jué)特征轉(zhuǎn)換為高語(yǔ)義的人群行為特征。高語(yǔ)義特征更能表現(xiàn)場(chǎng)景中的宏觀現(xiàn)象,使異常行為更容易被區(qū)分。把場(chǎng)景劃分成大小相同的時(shí)空小塊,本研究建立了一個(gè)圖模型,圖的每個(gè)頂點(diǎn)用一個(gè)時(shí)空小塊的高語(yǔ)義特征表示,在頂點(diǎn)間邊權(quán)重的表示中加入時(shí)空關(guān)系項(xiàng),使人群運(yùn)動(dòng)特征、時(shí)間、空間維度的信息統(tǒng)一起來(lái)。實(shí)驗(yàn)證明該方法獲得了較好的檢測(cè)效果。(2)研究分析離線學(xué)習(xí)方法所面對(duì)的訓(xùn)練樣本種類(lèi)單一以及訓(xùn)練樣本缺乏的問(wèn)題,提出一種基于雙稀疏表示的在線人群異常狀態(tài)檢測(cè)方法。雙稀疏表示檢測(cè)方法包含兩個(gè)稀疏表示過(guò)程,每個(gè)稀疏表示過(guò)程都擁有一個(gè)字典,分別包含了正常和異常兩類(lèi)樣本。綜合兩個(gè)稀疏表示過(guò)程的結(jié)果,給出該測(cè)試樣本的最終標(biāo)簽。雙稀疏表示方法不但能夠描述正常樣本,同時(shí)還能描述異常樣本,將樣本的類(lèi)間信息引入訓(xùn)練中,使檢測(cè)方法擁有了類(lèi)間區(qū)分能力。此外,該檢測(cè)方法還包含一個(gè)在線學(xué)習(xí)過(guò)程——?jiǎng)討B(tài)字典更新,用于實(shí)時(shí)將測(cè)試樣本加入所對(duì)應(yīng)的字典,提高雙稀疏表示字典的描述能力。實(shí)驗(yàn)結(jié)果表明,雙稀疏表示方法相對(duì)以往的人群異常檢測(cè)方法具有更高的異常事件檢測(cè)率和更低的平均錯(cuò)誤率。(3)研究分析在線學(xué)習(xí)方法中錯(cuò)誤累積問(wèn)題的解決方法,提出一種基于帶約束隨機(jī)游走圖模型和自適應(yīng)樣本選擇策略的人群異常狀態(tài)檢測(cè)學(xué)習(xí)方法。帶約束隨機(jī)游走(Controlled Random Walk,CRW)圖模型,能控制加標(biāo)記過(guò)程的隨機(jī)游走路徑,避開(kāi)錯(cuò)誤集中區(qū)域,同時(shí)其允許對(duì)已經(jīng)獲得標(biāo)記的樣本重新標(biāo)記,從而具備了為錯(cuò)誤樣本糾錯(cuò)的能力。自適應(yīng)樣本選擇策略基于噪聲學(xué)習(xí)理論獲得,在最小化期望分類(lèi)錯(cuò)誤率的準(zhǔn)則下自動(dòng)選擇標(biāo)記置信度最高的一批測(cè)試樣本加入到訓(xùn)練集中,使分類(lèi)錯(cuò)誤率降低。將CRW圖模型和自適應(yīng)策略嵌入到自學(xué)習(xí)的框架中,可以有效降低在線學(xué)習(xí)過(guò)程中由錯(cuò)誤標(biāo)記樣本引起的錯(cuò)誤累積,并將更多的樣本加入訓(xùn)練,強(qiáng)化檢測(cè)器對(duì)人群樣本區(qū)分能力,提高檢測(cè)效果。實(shí)驗(yàn)表明,將該方法應(yīng)用到典型的人群異常檢測(cè)模型的訓(xùn)練中,可以克服錯(cuò)誤樣本的引入造成的錯(cuò)誤累積,有效提高人群異常檢測(cè)模型的檢測(cè)效果。(4)研究人群未來(lái)狀態(tài)的演進(jìn)以及預(yù)報(bào)方法,提出一種基于目的驅(qū)使格子Boltzmann模型高密度人群異常狀態(tài)檢測(cè)預(yù)警方法。研究表明高密度人群與流體有很多相似性,但高密度群體中的行人個(gè)體除了可以像流體一樣發(fā)生碰撞和移動(dòng)外,還有著向人群主要運(yùn)動(dòng)方向靠近并保持一致的趨勢(shì)。本文將這種趨勢(shì)概括為行人的目的驅(qū)使,并在格子Boltzmann模型的流動(dòng)過(guò)程中加入了行人的這種目的驅(qū)使。目的驅(qū)使格子Boltzmann模型可以從當(dāng)前時(shí)刻開(kāi)始演進(jìn)出人群運(yùn)動(dòng)的未來(lái)狀態(tài)。在此基礎(chǔ)上,采用行為熵(Behavior Entropy)模型檢測(cè)演進(jìn)出的速度場(chǎng)上的異常,從而實(shí)現(xiàn)對(duì)人群異常狀態(tài)的預(yù)警。實(shí)驗(yàn)表明,目的驅(qū)使格子Boltzmann模型具有較強(qiáng)的人群異常狀態(tài)預(yù)警能力。本課題在人群運(yùn)動(dòng)狀態(tài)分析方面的研究工作,提出了基于慢特征分析和圖的人群異常狀態(tài)檢測(cè)方法,將高語(yǔ)義信息融入異常檢測(cè)的研究中;提出了基于雙稀疏表示的在線人群異常狀態(tài)檢測(cè)方法,將場(chǎng)景中正常以及異常的行為樣本加入到稀疏字典中,提高了檢測(cè)方法對(duì)兩種人群行為類(lèi)別的區(qū)分能力,同時(shí)提出一種在線學(xué)習(xí)方法,優(yōu)化檢測(cè)方法性能;通過(guò)基于帶約束隨機(jī)游走圖模型以及自適應(yīng)樣本選擇策略的人群異常狀態(tài)檢測(cè)學(xué)習(xí)方法,避免訓(xùn)練中的錯(cuò)誤累積現(xiàn)象;在分析高密度人群以及流體的異同的基礎(chǔ)上,提出目的驅(qū)使格子Boltzmann模型,演進(jìn)出當(dāng)前視頻中人群運(yùn)動(dòng)的未來(lái)狀態(tài),并在此基礎(chǔ)上實(shí)現(xiàn)了對(duì)人群異常狀態(tài)的預(yù)警。
[Abstract]:In recent years , with the development of society , many public places such as sports venues , show venues , holiday celebrations , and large commercial areas have occasionally experienced a large number of crowd - gathering phenomena . ( 3 ) In this paper , a method for detecting the abnormal state of the population is proposed based on the model of random walk and CRW .

【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫(xiě)編碼[J];電子學(xué)報(bào);2007年10期

2 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

3 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

4 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

5 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

6 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

7 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

8 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

9 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

10 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

相關(guān)會(huì)議論文 前10條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 Yu CHEN;Shulong TENG;Hirotada OHASHI;;On the Lattice Boltzmann Modeling of Multi-Phase Flows[A];Genetic Algorithm and Its Application to Physics, Life Science and Engineering--Proceedings of CCAST (World Laboratory) Workshop[C];1999年

4 馮士德;;多種粒子相耦合的格子Boltzmann模型[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

5 馮士德;;多組份流體的格子模型Boltzmann[A];第十四屆全國(guó)水動(dòng)力學(xué)研討會(huì)文集[C];2000年

6 梁宏;施保昌;;基于相場(chǎng)理論的不可壓格子Boltzmann兩相流模型及其應(yīng)用[A];第十六屆全國(guó)流體力學(xué)數(shù)值方法研討會(huì)2013論文集[C];2013年

7 丁麗霞;施衛(wèi)平;鄭海成;;格子Boltzmann方法模擬圓腔流[A];慶祝中國(guó)力學(xué)學(xué)會(huì)成立50周年暨中國(guó)力學(xué)學(xué)會(huì)學(xué)術(shù)大會(huì)’2007論文摘要集（下）[C];2007年

8 李志輝;方明;唐少?gòu)?qiáng);;氣體運(yùn)動(dòng)論統(tǒng)一算法與DSMC方法描述Boltzmann方程的一致性研究[A];北京力學(xué)會(huì)第18屆學(xué)術(shù)年會(huì)論文集[C];2012年

9 譚玲燕;李秀文;李偉杰;;用Lattice Boltzmann方法模擬腔體內(nèi)攪動(dòng)流體[A];第十六屆全國(guó)流體力學(xué)數(shù)值方法研討會(huì)2013論文集[C];2013年

10 李志輝;彭傲平;張涵信;;求解Boltzmann模型方程的高性能并行計(jì)算方法研究[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類(lèi)[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：1671068