基于改进HOF的异常事件检测算法

发布时间：2021-09-24 03:23

　　异常事件检测是一种计算机视觉领域中的热门研究课题,异常事件检测可以被广泛应用于视频监控、智能检测等领域 该问题的突破可以带来相当的社会价值和经济效益,比如能够减少监控中的人力成本,提高视频监控的时效性与准确性。异常事件检测是一个二分类问题,在非基于深度学习的分类方法中,稀疏表示是一种主流的方法。稀疏表示可以将训练样本向量抽象为一个稀疏矩阵,该稀疏矩阵可以有效地对训练用样本向量进行线性还原。基于这一特性,对于一个待检测的向量,如果可以使用该稀疏矩阵有效地还原,则说明该向量与训练样本是同类型的向量,反之若该稀疏矩阵不能很好地还原一个待检测向量,说明该向量与训练样本相差很大。本文从改进HOF的光流计算方法入手,对HOF在异常事件检测中的应用作出改进。计算光流场是一种进行视频研究时常用的分析方法。光流场表示了空间运动物体在观察成像平面上的像素运动的瞬时速度。对一定区域内光流场方向进行映射和统计就可以得到光流直方图HOF特征。HOF是一种泛用性强的特征向量,被用于模式识别、动作检测等多种问题,同时也由于它的泛用性,导致HOF在被应用于某一特定问题时有很大的改进空间,本文通过比较使用不同的光流算法... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图２．?１?［１７］ＭＨ０Ｆ的映射过程??

方法作为对比算法之一。??作者首先提出了一种使用ＨＯＦ和ＨＯＧ特征联合作为输入的自编码器，它的??机构如图２．３所示，是一个全连接神经网络，它的每一层都是一个全连接层，编??码器部分一共有５层，按照顺序每一层分别有２０４、２０００、１０００、５００、３０个神??经元，解码部分与编码部分完全镜像。其中，Ｈ０Ｆ与ＨＯＧ的计算方式使用了［２］??中的方法进行计算（本文的特征提取方式同样从这篇文章改进而来），通过这种??计算方式，作者得到一个２０４维的特征向量。??实验过程，首先选取一系列不包含“异常事件”的视频，提取它们的Ｈ０Ｆ??和ＨＯＧ特征作为训练数据，训练过程中，每一个ｂａｔｃｈ会输入灰条数据进行训??练，调整输出使输出数据尽量与输入数据相等，将优化函数定义为以下函数：??＝?ａｒｇ

方法作为对比算法之一。??作者首先提出了一种使用ＨＯＦ和ＨＯＧ特征联合作为输入的自编码器，它的??机构如图２．３所示，是一个全连接神经网络，它的每一层都是一个全连接层，编??码器部分一共有５层，按照顺序每一层分别有２０４、２０００、１０００、５００、３０个神??经元，解码部分与编码部分完全镜像。其中，Ｈ０Ｆ与ＨＯＧ的计算方式使用了［２］??中的方法进行计算（本文的特征提取方式同样从这篇文章改进而来），通过这种??计算方式，作者得到一个２０４维的特征向量。??实验过程，首先选取一系列不包含“异常事件”的视频，提取它们的Ｈ０Ｆ??和ＨＯＧ特征作为训练数据，训练过程中，每一个ｂａｔｃｈ会输入灰条数据进行训??练，调整输出使输出数据尽量与输入数据相等，将优化函数定义为以下函数：??＝?ａｒｇ


本文编号：3406994