發(fā)布時間：2017-07-07 00:11

  本文關(guān)鍵詞：基于高階特征和顯著性的視頻異常事件檢測研究及其應(yīng)用

  更多相關(guān)文章： 智能視頻分析 視頻異常事件檢測 高階特征 顯著性檢測 視頻認證

【摘要】：近年來,隨著計算機與互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和社會各領(lǐng)域?qū)Π踩枨蟮牟粩嘣鲩L,智能視頻分析技術(shù)得到了蓬勃發(fā)展。智能視頻分析就是綜合運用人工智能、機器學(xué)習(xí)及計算機等多學(xué)科理論與方法,對視頻內(nèi)容進行分析、理解,實現(xiàn)對異常事件的自動檢測及預(yù)警,是目前大數(shù)據(jù)智能分析領(lǐng)域重要的研究方向之一,具有重要的理論意義和廣泛的應(yīng)用前景。另一方面,視頻數(shù)據(jù)飛速增長,由此帶來的對視頻數(shù)據(jù)的安全保護問題也成為當(dāng)前研究的熱點。本文針對智能視頻分析中的異常事件檢測及其在視頻安全認證領(lǐng)域的關(guān)鍵問題展開深入研究,旨在提高智能視頻分析系統(tǒng)的效率和智能化水平。通過深入挖掘視頻內(nèi)容的運動屬性,擴展人類視覺認知機制在視頻分析領(lǐng)域中的應(yīng)用,探尋更有效的視頻事件表示與模型構(gòu)建方法,提高視頻異常事件檢測的性能。此外,為了實現(xiàn)對視頻的安全保護,以異常事件檢測為基礎(chǔ),對視頻認證和篡改恢復(fù)展開研究。主要工作如下:一、考慮到視頻中的異常事件往往表現(xiàn)為運動的突變,而傳統(tǒng)基于光流統(tǒng)計信息的視頻描述方法通常側(cè)重于對運動速度的描述,忽視了對速度變化情況的刻畫。因此,提出基于高階特征的視頻事件表示方法,利用表征高階運動信息的高階特征實現(xiàn)對視頻運動變化的描述和表達,更充分、全面地刻畫視頻中的運動信息。為避免跟蹤算法在處理復(fù)雜、擁擠場景時的不足,提出短時光流跟蹤算法獲取目標(biāo)的高階運動特征。為了使提出方法適應(yīng)更多的視頻場景,又融合了傳統(tǒng)的低階特征,并通過構(gòu)建回歸模型在線地確定低階和高階特征的最優(yōu)融合權(quán)重。通過在經(jīng)典的全局和局部異常視頻數(shù)據(jù)庫上的大量實驗,驗證了基于高階特征的異常檢測方法的有效性。二、視頻內(nèi)容中的異常往往表現(xiàn)為視覺顯著,而視覺注意機制是高效處理海量、高維度和冗余數(shù)據(jù)的有力工具,因此,提出基于空時顯著性的異常事件檢測方法。根據(jù)空時顯著度將非顯著區(qū)域去除,在此基礎(chǔ)上進一步對異常進行檢測。由于冗余內(nèi)容的去除,使得高效地構(gòu)建整個場景的正常事件模型成為可能,因此通過對視頻內(nèi)容的區(qū)域劃分技術(shù),用區(qū)域級模型代替塊級模型。這不僅大大降低了模型構(gòu)建的時間成本,而且有效解決了塊級模型樣本不充分問題,提高了檢測性能。在顯著度圖構(gòu)建方面,提出兩種空間顯著度圖構(gòu)建方法,并分別與時域顯著度圖融合,從空時角度全面地實現(xiàn)對視頻顯著區(qū)域的檢測。兩種空間顯著度圖構(gòu)建方法如下:1.基于擴展區(qū)域?qū)Ρ榷群陀斜O(jiān)督局部保持投影(Extended Region Contrast and Supervised Locality Preserving Projection,ERC-SLPP)的圖像顯著性檢測模型。為增加圖像顯著區(qū)域與其它區(qū)域的對比度,充分利用“圖像的邊界多為背景”的先驗,通過擴展圖像邊界,實現(xiàn)突出顯著目標(biāo)、抑制背景的目的。同時,考慮高維底層視覺特征之間的冗余特性及噪聲問題,采用有監(jiān)督局部保持投影對特征進行維數(shù)約簡。為進一步提高檢測性能,對基于擴展區(qū)域?qū)Ρ榷扰c基于有監(jiān)督局部保持投影的顯著度圖進行融合。大量的實驗結(jié)果驗證了ERC-SLPP在圖像顯著性檢測中的有效性。2.基于改進多流形排序(Improved Multi-Manifold Ranking,IMMR)的圖像顯著性檢測方法。從圖像中的非顯著區(qū)域出發(fā),將顯著性檢測看成是一個多流形排序問題。使用來自于多個視角的特征協(xié)同檢測顯著性,并通過優(yōu)化策略深入發(fā)掘各特征間的相互關(guān)系,實現(xiàn)在顯著度圖構(gòu)建過程中的特征融合。在多個經(jīng)典數(shù)據(jù)庫上的大量實驗表明,IMMR的圖像顯著性檢測性能優(yōu)于現(xiàn)有方法。在進行基于顯著性的視頻異常事件檢測時,分別結(jié)合以上兩種方法構(gòu)建空時顯著度圖,在此基礎(chǔ)上進行異常事件檢測。大量的實驗結(jié)果證明了提出的基于顯著性的異常檢測算法的優(yōu)異性能。三、為了實現(xiàn)對視頻的安全認證,提出基于異常檢測的視頻認證與自恢復(fù)方法。由于異常區(qū)域往往是視頻中的重要及敏感區(qū)域,以“重要對象重點保護”為原則,提出分層的恢復(fù)方案,實現(xiàn)對異常區(qū)域的無損恢復(fù)的同時提高算法的恢復(fù)能力。為了確保嵌入前后提取的異常區(qū)域一致,使用合成幀代替原始視頻幀來進行異常檢測。在雙重水印嵌入過程中,基于異常區(qū)域自適應(yīng)地選取嵌入位置和嵌入方案,實現(xiàn)盲提取與自恢復(fù)。實驗結(jié)果表明,該方法能夠準(zhǔn)確實現(xiàn)對空域、時域和空時域篡改的定位,對一定程度的空間域篡改具有很好的重構(gòu)能力,且能夠?qū)Ξ惓^(qū)域?qū)崿F(xiàn)無損恢復(fù),有效地實現(xiàn)了對視頻內(nèi)容的安全保護。
【關(guān)鍵詞】：智能視頻分析 視頻異常事件檢測 高階特征 顯著性檢測 視頻認證
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-20
• 1.1 研究背景及意義10-12
• 1.2 異常檢測的應(yīng)用領(lǐng)域12-13
• 1.3 視頻異常檢測中的關(guān)鍵問題13-14
• 1.4 視頻異常檢測的研究現(xiàn)狀14-16
• 1.5 本文的主要研究內(nèi)容和結(jié)構(gòu)安排16-20
• 1.5.1 主要研究內(nèi)容16-18
• 1.5.2 結(jié)構(gòu)安排18-20
• 第二章 視頻異常事件檢測相關(guān)方法介紹20-30
• 2.1 視頻事件描述的相關(guān)方法介紹21-24
• 2.1.1 目標(biāo)級描述方法21
• 2.1.2 像素級描述方法21-24
• 2.2 視頻異常檢測模型介紹24-29
• 2.2.1 基于概率的模型25-26
• 2.2.2 基于距離的模型26-27
• 2.2.3 基于重構(gòu)的模型27-28
• 2.2.4 基于域的模型28-29
• 2.3 本章小結(jié)29-30
• 第三章 基于高階特征的視頻異常事件檢測30-48
• 3.1 引言30-31
• 3.2 一階特征提取31-32
• 3.3 高階特征提取32-33
• 3.4 基于高階特征的視頻異常事件檢測33-47
• 3.4.1 評價指標(biāo)33-34
• 3.4.2 局部異常事件檢測實驗結(jié)果與分析34-42
• 3.4.3 全局異常事件檢測實驗結(jié)果與分析42-45
• 3.4.4 基于視頻內(nèi)容的特征融合方法45-47
• 3.5 本章小結(jié)47-48
• 第四章 基于顯著性的視頻異常事件檢測48-82
• 4.1 引言48
• 4.2 顯著性檢測簡介48-51
• 4.2.1 顯著性檢測的研究意義48
• 4.2.2 顯著性檢測的研究現(xiàn)狀48-51
• 4.3 空間域顯著性檢測51-73
• 4.3.1 基于ERC和SLPP的空間域顯著性檢測51-57
• 4.3.2 基于改進多流形排序的空間域顯著性檢測57-63
• 4.3.3 空間域顯著性檢測實驗結(jié)果與分析63-73
• 4.4 基于顯著性的視頻異常事件檢測73-81
• 4.4.1 空時顯著度圖構(gòu)建73-74
• 4.4.2 區(qū)域級模型的構(gòu)建74-77
• 4.4.3 視頻異常事件檢測實驗結(jié)果與分析77-81
• 4.5 本章小結(jié)81-82
• 第五章 基于異常檢測的視頻認證82-97
• 5.1 引言82-84
• 5.2 基于異常檢測的視頻認證84-89
• 5.2.1 雙重水印嵌入84-87
• 5.2.2 篡改定位與自恢復(fù)87-89
• 5.3 實驗結(jié)果與分析89-96
• 5.3.1 視覺質(zhì)量評估90-91
• 5.3.2 無篡改情況下的恢復(fù)實驗91-92
• 5.3.3 空間域篡改實驗92-94
• 5.3.4 時間域篡改實驗94-95
• 5.3.5 空時域篡改實驗95-96
• 5.4 本章小結(jié)96-97
• 第六章 總結(jié)與展望97-101
• 6.1 本文工作總結(jié)97-98
• 6.2 未來研究展望98-101
• 參考文獻101-110
• 致謝110-111
• 攻讀博士學(xué)位期間公開發(fā)表的論文

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 凌堅;;“想到別人想不到的”——凸現(xiàn)新聞顯著度漫談[J];城市黨報研究;2003年02期

2 王宇新;任志森;賈棋;郭禾;;基于顯著度的非監(jiān)督摳像方法[J];計算機工程;2012年05期

3 袁紅星;吳少群;朱仁祥;安鵬;;融合對象性和視覺顯著度的單目圖像2D轉(zhuǎn)3D[J];中國圖象圖形學(xué)報;2013年11期

4 凌堅;全力凸現(xiàn)新聞顯著度[J];傳媒觀察;2003年02期

5 蘇娜;張志強;劉志輝;;基于鏈接分析的圖林博客顯著度分析[J];情報資料工作;2010年01期

6 金巨波;張莉;;視覺信息的稀疏表示與顯著度檢測方法[J];哈爾濱師范大學(xué)自然科學(xué)學(xué)報;2014年01期

7 趙健;徐江斌;吳玲達;;基于網(wǎng)格顯著度的視點質(zhì)量計算方法[J];計算機應(yīng)用研究;2009年09期

8 韓彪;楊衛(wèi)英;鄭玉婷;;基于圖像稀疏表示視覺顯著度計算的自適應(yīng)尺度調(diào)整方法[J];上海大學(xué)學(xué)報(自然科學(xué)版);2012年04期

9 曾鵬;許平;;基于視覺顯著度的H.264冗余片編碼技術(shù)[J];江漢大學(xué)學(xué)報(自然科學(xué)版);2013年01期

10 徐兵;李振德;;一種改進的圖像視覺顯著性檢測算法[J];廣東海洋大學(xué)學(xué)報;2013年06期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 葉強;李一軍;;基于支持度-顯著度的關(guān)聯(lián)規(guī)則分類方法研究[A];管理科學(xué)與系統(tǒng)科學(xué)研究新進展——第8屆全國青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會議論文集[C];2005年

2 曹躍香;;現(xiàn)代漢語“V+子”式詞的指稱類別的認知解釋[A];江西省語言學(xué)會2009年年會論文集[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 賴重遠;形狀部分的視覺顯著度與形狀編碼[D];華中科技大學(xué);2013年

2 田明輝;視覺注意機制建模及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2010年

3 石艷嬌;基于高階特征和顯著性的視頻異常事件檢測研究及其應(yīng)用[D];東北師范大學(xué);2015年

4 張星;地標(biāo)引導(dǎo)的城市復(fù)雜環(huán)境行人導(dǎo)航方法研究[D];武漢大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前8條

1 蘇磊磊;基于小區(qū)域的圖像顯著度提取及應(yīng)用研究[D];山東師范大學(xué);2015年

2 崔小強;基于時空線索的快速視頻顯著度檢測[D];大連理工大學(xué);2014年

3 韓瑞峰;內(nèi)容敏感的圖形圖像顯著度檢測算法研究及其應(yīng)用[D];浙江工業(yè)大學(xué);2012年

4 孫晶;基于貝葉斯模型的圖像顯著度檢測[D];大連理工大學(xué);2013年

5 任志森;基于顯著度摳像的圖像檢索研究與實現(xiàn)[D];大連理工大學(xué);2011年

6 許慧娟;基于數(shù)學(xué)形態(tài)學(xué)的骨架層次性分解及顯著度計算與研究[D];華中科技大學(xué);2010年

7 王君樂;視覺注意機制相關(guān)研究及其中視覺顯著度與重要度間關(guān)系的量化分析[D];華南理工大學(xué);2010年

8 張俊杰;基于和諧泛音檢測的主旋律提取技術(shù)[D];上海交通大學(xué);2007年

，

本文編號：528216