基于无监督学习的监控视频异常检测技术研究

发布时间：2021-07-10 16:17

　　随着经济的快速发展,人们对于城市生活安全的要求不断提高,在公共场所中安装监控摄像头变得越来越普遍。目前,大多数监控视频系统都是依靠人工监控的方式,然而人在长时间工作之后,由于疲劳会导致注意力不断分散,很容易产生误检和漏检。为了克服人工监控的种种问题,监控视频异常检测技术应运而生,通过计算机程序对视频数据进行智能分析,可以自动化地对视频场景中发生的异常事件进行预警,大大提高了检测准确率与检测效率。在监控视频异常检测中,主要分为基于监督学习、基于半监督学习以及基于无监督学习三类异常检测方法。基于监督学习的异常检测方法只能检测视频中特定的异常行为,在使用上具有很大的局限性。基于半监督学习的异常检测方法对于构建的模型过于依赖,当模型出现偏差时很可能导致误检和漏检。基于无监督学习的异常检测方法直接对测试视频进行检测,使用灵活度高,并且不存在模型依赖问题,具有广泛的研究前景。本文基于无监督学习的方法对监控视频异常检测技术进行研究。本文将视频中的异常事件划分为局部和全局异常事件,分别从局部和全局两个不同的角度进行异常检测。在局部异常检测中,先提取并扩展视频中的运动块,将扩展后的运动块作为局部异常检测... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图像cell划分及梯度方向直方图示意图

第 2 章 相关技术及研究riented FAST and Rotated BRIEF）[42]特征是一种快速征描述的算法，该算法先使用 FAST（Features fr）[43]算法进行特征点检测，然后使用 BRIEF（lementary Features）[44]特征描述子对特征点进行描述法和 BRIEF 特征描述算法的计算效率都很高，因此 ，同时还具有旋转不变性，是一种非常优秀的特征。提取算法的具体流程为：FAST 算法检测图像中的特征点。检测候选特征点周如果候选点与其周围邻域内大部分像素点的灰度值存点为一个特征点。如图 2-2 所示，检测候选特征点 p度值差异；

测图像中的特征点。检测候与其周围邻域内大部分像素点征点。如图 2-2 所示，检测候特征点 p 与其邻域像素点灰度值idate feature point p compared with 特征点进行描述。以特征点 质心 Q 的连线为 X 轴建立二格子代表一个像素点；

【参考文献】：
期刊论文
[1]基于帧差法和背景差法的运动目标检测[J]. 张应辉,刘养硕.  计算机技术与发展. 2017(02)
[2]基于主题隐马尔科夫模型的人体异常行为识别[J]. 朱旭东,刘志镜.  计算机科学. 2012(03)
[3]基于运动图像序列的异常行为检测[J]. 吴艳平,崔宇,胡士强.  计算机应用研究. 2010(07)

博士论文
[1]基于视频技术的交通违章检测与识别理论及方法研究[D]. 佟守愚.吉林大学 2006

硕士论文
[1]监控视频异常事件检测方法研究[D]. 谭瀚霖.国防科学技术大学 2015
[2]智能视频监控系统的设计与实现[D]. 宋波涛.吉林大学 2009



本文编号：3276253