基于稀疏组合学习的异常事件检测技术研究

发布时间：2019-07-21 19:15

【摘要】：随着城市的发展,人口的增多,视频监控系统被广泛应用。而传统的视频监控,主要是通过人工来完成检测,这种方式通常容易让人产生疲劳,进而造成漏报或误报现象的发生,最终导致社会公共安全受到很大的挑战。所以,一个能够准确、实时分析视频内容并发现异常的智能视频监控便倍受社会关注和欢迎,而且它也成为计算机视频领域重要的研究内容。近几年,异常事件的检测方法有了很大程度的发展,其中,基于稀疏表示的检测方法相比以往的算法和模型,在异常事件的检测准确度上展现了更好的性能。然而,经研究发现,该方法也有着自己的缺点,由于利用完备字典对信号进行表示时,每次需要从冗余的空间搜索合适的原子基组合,需要耗费大量的时间,从而导致视频的检测速度偏慢,远达不到实际应用的要求。所以,针对这一问题,本文研究了一种利用稀疏组合替换字典的检测方法。通过限定每一个组合中原子基的个数,同时让每个组合在学习的过程中表式尽可能多的事件,这样便学习到一个稀疏组合集,其中组合个数远小于字典中的组合数。最后,在对测试帧进行稀疏表示阶段,无需再从冗余的空间中进行搜索,只需利用有限的组合进行表示即可,从而提高事件的检测速度。同时,围绕稀疏组合,本文提出了两种策略。第一,组合在线扩展更新。考虑到,随着时间的推移,先前学习的稀疏组合可能不会很好地表示当前事件。根据一个事件在时空上具有相关性,本文对以检测为正常事件进行再学习,扩展原先的组合集,以提高异常事件检测的准确率。第二,背景建模去冗。由于监控视频本身具有大量的冗余存在,所以,在稀疏组合学习过程中,就不得不同时处理大量重复出现的静态背景“事件”,这是很耗时的。考虑到这种情况,本文首先利用背景建模方法提取出当前视频中的背景,通过对背景进行组合学习,继而对训练特征进行重构,以便去除其中大量的冗余,从而减少稀疏组合学习的时间,提高效率。最后,本课题在实验当中使用了公共视频库:AVENUE、UCSD以及UMN,在检测正确率和检测速度方面与其他算法进行对比分析。实验证明,本文研究的方法不仅在检测准确度上与当前最优的基于稀疏代价重构的方法相近,而且在检测速度上展现了更好的性能,可达到实际应用的要求。
【图文】：

监控系统的广泛应用正因为上述问题的存在，近些年，人们对智能监控技术在实际的应用愈发的关

最后，通过对这些时空块的运动行为进行统计来定性整个画面的运动行为，作者主要是通过使用隐马尔科夫模型（HMM）判断这些时空块间的关系进行异常检测，从而判断是否出现异常活动。图 1-4 给出了该模型的具体描述。同时，本文将采用该作者提出的方法对局部时空区域的运动模式进行特征提取。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41;TN948.6

【相似文献】

相关期刊论文 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

相关会议论文 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

相关博士学位论文 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年

7 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年

8 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年

9 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年

10 李海山;基于稀疏表示理论的地震信号处理方法研究[D];中国石油大学（华东）;2013年

相关硕士学位论文 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

本文编号：2517363