基于视频监控的异常行为检测研究

发布时间：2020-04-28 15:26

【摘要】：行人的异常行为检测技术在智能化视频监控领域中逐渐成为关键课题。这是因为在当今复杂的室内和室外的交通环境下,行人的安全问题不仅关系到行人个人,还对其周围的交通系统产生影响。然而,监控视频数据和互联网视频数据量近年来增加迅速,大数据时代下依赖人工的安全监控方式已经无法全面准确地覆盖视频监控网络。当下各行各业对高效、可靠的智能化视频监控系统有很大需求,视频监控系统的智能化水平需要不断提高。本文提出了一种基于时序一致性的弱监督异常行为检测方法。在该方法中首先对给定的一对视频构造时序矩阵,再利用人类行为推进的时态一致性和平滑特性形成一个行为单元对,获得候选行为片段,目标是定位视频中相关异常动作类的开始和结束帧,并训练相应的操作分类器,最后利用稀疏编码直方图这一局部特征和稀疏重构的方法,对监控视频中的异常事件进行精确定位。在异常行为检测之前,本文在图像中对超像素进行最小生成树及距离变换,对图像背景进行模糊色差直方图处理,有效降低了误检概率。在弱监督检测方法模型中每个动作分隔出相同数量的子行为,每个视频根据这些子行为定位。得到接近完整的行为帧后,最后利用稀疏编码直方图这一局部特征和稀疏重构的方法,对监控视频中的异常事件进行精确定位。最后采用双阈值方法进行异常行为判别,提高了识别准确率。本文方法的有效性和鲁棒性在公共数据库CAVIAR和Crossing上进行了验证,并与其它流行方法进行了对比,结果表明了该方法在存在动态背景和光照变化等干扰的情况下依然能够进行异常行为检测,对比其他弱监督异常行为检测方法在性能上有一定的改善。
【图文】：

究生学位论文 第二章 异为了解决序列图像中背景动态变化的难题，可先对补偿差分的运动目标检测方法。对动态图像固有属性的分析而得到的目标提取方的变化实现运动物体检测。由于图像中相邻两帧之间的背景变化不会太大，不大可能由于背景的为两帧差分和对称差分两类。这两种差分方法都能两者效果相差不大。但是，它们都不能实现运动动时会在人眼视网膜上产生一系列连续变化的图Flow)。而光流场(Optical Flow Field)则是这种图像是三维速度矢量在成像表面上形成的投影如图 2

与场景里面的人的数量相关。场景密度的大小直接影响着技术的选择可以是少数人（可能是单个人）或一组人。因此，我们将场景分为 2场景，在相机领域内同时存在一个或几个人。第二种类型被称为拥挤在许多人。景中，我们关注的是检测摄像机域中一个或几个人的异常行为。当场景现三种主要的异常行为，即摔倒行为检测、逗留行为和错误的位置，是人类跌倒检测，是一项有趣的工作，有几个文献提出了用于确保老。Ye 等人提出了一个老年人跌倒检测系统，该系统基于一个新的架的无线传感器网络。在 Bian 等人[20]文献中，提出了一种用于检测老法。他们只用了一个深度照相机，即使在黑暗中也能工作。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN948.6

【参考文献】

相关硕士学位论文 前3条

1 李强;监控视频异常行为检测算法研究[D];中国科学技术大学;2017年

2 文耀民;旅游突发事件挖掘、监测与识别系统的实现[D];北京邮电大学;2017年

3 李向向;视频监控下实时异常行为检测研究[D];南京邮电大学;2016年

，

本文编号：2643603