基于深度学习的视频异常行为事件检测方法研究

发布时间：2023-04-28 05:46

　　视频异常行为事件检测是指利用计算机识别出视频中很少出现或不同于正常行为的视频帧片段,其是新一代智能视频分析系统的一项重点攻关技术难题。当前,视频异常行为事件检测主要存在两个问题:异常行为视频数据较少和不同场景下异常行为定义无法明确区分。现有主要方法是先对正常行为事件建模,然后将不符合正常模型的视频定义为异常,其中基于深度学习的视频空时特征表征学习方法表现出较好地前景。为了对不同场景中的异常行为事件进行检测,根据视频中人群密集程度的不同,本文分别提出适用于高、中、低三种人群密度等级场景的视频异常行为事件检测算法:1.针对高密度人群场景下行人遮挡严重导致表观特征建模难度大等问题,提出一种基于人群密度图的人群异常行为事件分析算法。该算法主要包括人群密度估计和人群异常行为建模两大部分。在人群密度估计方面,本文设计了一种基于多孔卷积的多尺度空间池化模块,并结合单路深度网络增强模型的多尺度特征提取能力。在异常行为建模部分,设计了一种融合人群密度图空间特征和光流运动特征的双流网络检测人群恐慌行为,并利用人群密度的局部空时动态特性实现人群聚集行为的检测。实验结果验证了该算法的有效性,算法中设计的人群密...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状和水平
        1.2.1 视频异常行为简介
        1.2.2 基于传统特征的异常行为检测方法
        1.2.3 基于深度学习的异常行为检测方法
    1.3 视频异常行为检测存在的问题
    1.4 本文的主要工作和结构安排
        1.4.1 主要工作内容
        1.4.2 本文的结构安排
第2章 基于人群密度图的人群异常行为分析方法研究
    2.1 引言
    2.2 相关工作
        2.2.1 人群密度估计方法
        2.2.2 人群异常行为检测方法
    2.3 基于多孔卷积的多尺度空间池化的人群密度估计算法
        2.3.1 人群密度网络结构研究
        2.3.2 人群密度估计整体算法框架
        2.3.3 前端网络模型
        2.3.4 基于多孔卷积的多尺度空间池化模块
        2.3.5 后端网络模型
        2.3.6 模型训练细节
        2.3.7 人群密度估计实验结果分析
    2.4 基于人群密度图的人群异常行为分析方法
        2.4.1 基于双流网络的人群恐慌行为识别算法
        2.4.2 基于局部人群空时密度的异常聚集检测算法
        2.4.3 实验结果与分析
    2.5 本章小结
第3章 基于3DCNN和 ConvGRU的视频异常行为事件检测方法研究
    3.1 引言
    3.2 相关工作
        3.2.1 3D卷积神经网络
        3.2.2 循环卷积神经网络
    3.3 基于3DCNN与 ConvGRU的视频异常行为事件检测算法
        3.3.1 算法的基本原理
        3.3.2 模型优化目标函数设计
        3.3.3 异常行为事件判定规则设计
    3.4 实验结果与分析
        3.4.1 异常行为事件检测数据集
        3.4.2 模型的训练参数设置
        3.4.3 异常行为检测的结果分析
    3.5 本章小结
第4章 基于图卷积网络的人体暴力行为检测方法研究
    4.1 引言
    4.2 相关工作
        4.2.1 人体姿态估计方法
        4.2.2 图卷积神经网络
        4.2.3 基于骨架的动作识别方法
    4.3 基于图卷积的人体暴力异常行为检测算法
        4.3.1 算法整体框架
        4.3.2 人体姿态序列生成模块
        4.3.3 人体姿态序列自适应采样模块
        4.3.4 基于空时图卷积的人体姿态识别模型
    4.4 实验结果与分析
        4.4.1 评估数据集
        4.4.2 实验方法及细节
        4.4.3 实验结果
    4.5 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3803865