稀疏学习城市交通视频异常事件检测算法的研究
发布时间：2021-11-26 08:41
随着公共区域监测仪器的快速发展,如今迫切需要全自动、无监控的异常检测系统,尤其是交通监控。高效的视频异常检测系统已成为目前不可忽视的视频异常检测系统之一。然而,交通监控视频中场景的多变性和事件的复杂状态使得异常事件检测的研究存在着一定的难度。在科技不断进步、智能交通系统迅速发展的影响下,利用科学检测技术进行交通异常的检测研究赢得学者、专家的青睐,并取得了一些突破。但是,由于交通环境的多变性,使得现在所提出的一些方法在现实应用中仍存在一些瓶颈,人们对于交通异常检测系统的研究还有很大的开发空间。本课题是在国内外研究成果的基础上,主要对基于视频图像的城市交通异常事件检测算法展开研究的。本文研究了城市交通视频流中实时、鲁棒的交通异常事件检测算法。为了提高边缘检测性能,提出了一种基于图像融合的多尺度形态与小波变换的边缘检测方法;另外,针对交通环境复杂下鲁棒性不够好的问题,提出了一种基于HSV和边缘梯度信息的目标检测方法,对传统的检测方法和对重影、空洞的问题进行改进;接着,设计了一种新的基于视频监控系统的车辆行为学习自适应稀疏重构方法,引用了/1l2正则...
【文章来源】：广西科技大学广西壮族自治区
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
稀疏表示过程
明了稀疏检测过程。系数矩阵C 中的非零行是由图 2-4 中图可知，C 中非零行所对应的那十个分辨帧帧图像大致信息。采用周期迭代进行背景提取。在每次迭代中，使用rocess）模型从由分辨帧形成新的集合D~中求解纯均值帧，使用纯平均帧来反向地对D~进行改变。背景就是迭代得到的那个固定帧。该过程如图 2-5 所示。
背景的基本信息在集合内，纯平均值比最差异常值更接近背景的基本情况。如果使用纯平均值来代替最差异常值，则提取性能将得到改善。如图 2-5 所示，已对纯均值和最差异常值做好标记。其中，异常值是非背景像素的灰度值，最差异常值对于纯平均值相距最远的值的定义。一旦提取纯平均帧 B 后，继续用每个像素的纯平均值替换最差异常值。替换最差异常值就意味着删除最差值并将纯均值返回到帧。实验素材采用公共数据集 I2R 中发生在自助餐前的一段视频。通过稀疏表示来选取适当数量的分辨帧并检测。当所选取的分辨帧集合的帧数从 1 到 30 时，利用周期迭代获取背景图像。同时与获取的标准背景进行比较，其实验结果如图 2-6 所示。
【参考文献】：
期刊论文
[1]基于L1/2正则化理论的稀疏雷达成像[J]. 徐宗本,吴一戎,张冰尘,王尧. 科学通报. 2018(14)
[2]基于l2,1范数原子选择的图像分块稀疏重构[J]. 朱华,岳峻,李振波,张志旺,寇光杰. 计算机应用研究. 2019(05)
[3]紧框架域重加权L1范数正则化图像恢复模型[J]. 董卫东,彭宏京. 小型微型计算机系统. 2018(01)
[4]多尺度结构元素形态学边缘检测算法的研究[J]. 朱地博,李春贵. 广西科技大学学报. 2017(04)
[5]结合HSV与纹理特征的视频阴影消除算法[J]. 武明虎,宋冉冉,刘敏. 中国图象图形学报. 2017(10)
[6]基于运动模式分析的异常行为检测[J]. 胡湘杰,夏利民,王军. 计算机工程与应用. 2018(16)
[7]基于l1-l2范数的块稀疏信号重构[J]. 陈鹏清,黄尉. 应用数学和力学. 2017(08)
[8]基于目标分割与行为预警的视频智能监控[J]. 郝平. 计算机与数字工程. 2017(07)
[9]视频车辆检测中改进的阈值分割算法研究[J]. 张延丽,李春贵. 广西科技大学学报. 2017(02)
[10]基于LCSCA特征与协同表示的轨迹分析算法[J]. 王丽珍,胡天睿,李策. 济南大学学报(自然科学版). 2017(03)
博士论文
[1]基于稀疏学习的视觉目标跟踪[D]. 马子昂.浙江大学 2017
[2]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
[3]复杂交通视频场景中的车辆轨迹提取及行为分析[D]. 卢胜男.长安大学 2016
[4]基于视频处理的交通事件识别方法研究[D]. 胡宏宇.吉林大学 2010
硕士论文
[1]面向交通监控视频的图像异常检测及关键信息重建方法研究[D]. 林新宇.合肥工业大学 2017
[2]深度学习驱动的场景分析和语义目标解析[D]. 赵杉杉.浙江大学 2017
[3]基于监控视频的群体异常检测[D]. 王文强.北京交通大学 2017
[4]视觉关键词稀疏表示的全局异常事件检测研究[D]. 曹丽莉.北京交通大学 2016
[5]视频异常事件检测算法设计与实现[D]. 刘威.江西财经大学 2016
[6]智能视频监控中的目标检测及分类技术研究[D]. 陈泓佑.西南科技大学 2016
[7]道路交通异常事件检测及关键帧提取算法研究[D]. 帅丹.重庆交通大学 2016
[8]视频运动目标跟踪与异常检测的研究[D]. 沈佳.杭州电子科技大学 2016
[9]基于底层特征的视频异常事件检测算法研究与实现[D]. 余昊.上海交通大学 2015
[10]基于视频监控的城市交通异常事件检测算法研究[D]. 尹承祥.沈阳大学 2014
本文编号：3519789
【文章来源】：广西科技大学广西壮族自治区
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
稀疏表示过程
明了稀疏检测过程。系数矩阵C 中的非零行是由图 2-4 中图可知，C 中非零行所对应的那十个分辨帧帧图像大致信息。采用周期迭代进行背景提取。在每次迭代中，使用rocess）模型从由分辨帧形成新的集合D~中求解纯均值帧，使用纯平均帧来反向地对D~进行改变。背景就是迭代得到的那个固定帧。该过程如图 2-5 所示。
背景的基本信息在集合内，纯平均值比最差异常值更接近背景的基本情况。如果使用纯平均值来代替最差异常值，则提取性能将得到改善。如图 2-5 所示，已对纯均值和最差异常值做好标记。其中，异常值是非背景像素的灰度值，最差异常值对于纯平均值相距最远的值的定义。一旦提取纯平均帧 B 后，继续用每个像素的纯平均值替换最差异常值。替换最差异常值就意味着删除最差值并将纯均值返回到帧。实验素材采用公共数据集 I2R 中发生在自助餐前的一段视频。通过稀疏表示来选取适当数量的分辨帧并检测。当所选取的分辨帧集合的帧数从 1 到 30 时，利用周期迭代获取背景图像。同时与获取的标准背景进行比较，其实验结果如图 2-6 所示。
【参考文献】：
期刊论文
[1]基于L1/2正则化理论的稀疏雷达成像[J]. 徐宗本,吴一戎,张冰尘,王尧. 科学通报. 2018(14)
[2]基于l2,1范数原子选择的图像分块稀疏重构[J]. 朱华,岳峻,李振波,张志旺,寇光杰. 计算机应用研究. 2019(05)
[3]紧框架域重加权L1范数正则化图像恢复模型[J]. 董卫东,彭宏京. 小型微型计算机系统. 2018(01)
[4]多尺度结构元素形态学边缘检测算法的研究[J]. 朱地博,李春贵. 广西科技大学学报. 2017(04)
[5]结合HSV与纹理特征的视频阴影消除算法[J]. 武明虎,宋冉冉,刘敏. 中国图象图形学报. 2017(10)
[6]基于运动模式分析的异常行为检测[J]. 胡湘杰,夏利民,王军. 计算机工程与应用. 2018(16)
[7]基于l1-l2范数的块稀疏信号重构[J]. 陈鹏清,黄尉. 应用数学和力学. 2017(08)
[8]基于目标分割与行为预警的视频智能监控[J]. 郝平. 计算机与数字工程. 2017(07)
[9]视频车辆检测中改进的阈值分割算法研究[J]. 张延丽,李春贵. 广西科技大学学报. 2017(02)
[10]基于LCSCA特征与协同表示的轨迹分析算法[J]. 王丽珍,胡天睿,李策. 济南大学学报(自然科学版). 2017(03)
博士论文
[1]基于稀疏学习的视觉目标跟踪[D]. 马子昂.浙江大学 2017
[2]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
[3]复杂交通视频场景中的车辆轨迹提取及行为分析[D]. 卢胜男.长安大学 2016
[4]基于视频处理的交通事件识别方法研究[D]. 胡宏宇.吉林大学 2010
硕士论文
[1]面向交通监控视频的图像异常检测及关键信息重建方法研究[D]. 林新宇.合肥工业大学 2017
[2]深度学习驱动的场景分析和语义目标解析[D]. 赵杉杉.浙江大学 2017
[3]基于监控视频的群体异常检测[D]. 王文强.北京交通大学 2017
[4]视觉关键词稀疏表示的全局异常事件检测研究[D]. 曹丽莉.北京交通大学 2016
[5]视频异常事件检测算法设计与实现[D]. 刘威.江西财经大学 2016
[6]智能视频监控中的目标检测及分类技术研究[D]. 陈泓佑.西南科技大学 2016
[7]道路交通异常事件检测及关键帧提取算法研究[D]. 帅丹.重庆交通大学 2016
[8]视频运动目标跟踪与异常检测的研究[D]. 沈佳.杭州电子科技大学 2016
[9]基于底层特征的视频异常事件检测算法研究与实现[D]. 余昊.上海交通大学 2015
[10]基于视频监控的城市交通异常事件检测算法研究[D]. 尹承祥.沈阳大学 2014
本文编号：3519789
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3519789.html
