基于全卷积神经网络的群体异常事件检测方法研究

发布时间：2020-07-18 07:06

【摘要】：近几年来,一些群体暴力事件的发生,使公共场所的安全问题越来越受到重视,但是对于公共安全的有效监控却一直是一个难题。采用人力分析监控视频,往往会忽视某个细节,无法准确定位事故发生的时间和区域,这样不仅浪费了人力物力也间接加大了危险造成的伤害。因此,对具有高准确性视频监控系统的迫切需求,使群体异常事件检测受到广泛的关注。群体场景下的异常事件检测是计算机视觉领域中一项颇具挑战性的课题,它的难点在于:对异常的定义没有严格的标准,并且异常随着场景变化而千差万别。学者们提出了很多模型和算法,也取得了不错的进展。但是这些方法绝大多数是基于手工设计特征的传统方法,不仅需要复杂的预处理,而且在算法运行效率上表现不佳。基于这一背景,本文将结合深度学习的方法检测视频中出现的异常事件,主要研究工作如下:(1)提出了基于全卷积神经网络(Fully Convolutional Neural Network,FCN)的异常行为视频特征提取方法。由于传统方法在群体异常检测任务中存在的局限性,本文将现有卷积神经网络模型转换为FCN,用于高效地提取视频图像的特征。随后,为了进一步提高算法效率,加入迭代量化(Iterative Quantization,ITQ)方法对卷积特征进行二值量化,并将其作为特征编码层置于FCN之后,与全卷积神经网络结合构成一种新的视频图像特征提取过程。(2)提出了一种基于二进制特征直方图(Histogram of Binary Feature,HBF)的视频异常度量算法。许多群体异常检测算法通过训练一个分类模型对异常事件进行识别,不仅需要大量先验知识,也增加了算法的复杂度。针对这个问题,本文提出HBF异常度量算法,并将计算结果定义了一个量化属性:异常系数,来对视频中的异常程度进行直观地分析。HBF方法基于视频图像的卷积特征,不依赖于运动轨迹的精确计算,鲁棒性更强,计算更简洁。(3)在利用HBF方法进行全局异常检测后,提出融合异常系数和光流信息的方法对异常区域进行定位。最后在针对群体异常事件检测的标准数据库上进行测试来验证本文方法的有效性和实时性。实验结果表明,与其他传统方法相比,基于FCN-HBF的群体异常事件检测方法在保证一定准确性的同时,能更快速的检测出视频中的异常。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D631.43;TP183;TN948.6
【图文】：

原理图,原理图,神经元,参数数

x1x2x3+1 +1w1w2w3第1层第2层第3层hW,b(x图 2-1 仅有三层的 BP 神经网络模型为了减少参数数量、加快训练速度，卷积神经网络主要使用了部感知和参数共享。局部感知就是将神经元只与前一层的一小块区是与所有的神经元都进行计算，如图 2-2 所示。其中，左图为全连部连接示意图。

视频图像

是 2012 年 ImageNet 图像分类竞赛的冠ImageNet[27]和 MIT[28]上进行训练，并提手段以及将修正线性单元 ReLU 作为响的各种优化策略，大大提升了神经网络历程中具有里程碑意义的一步。AlexNe和三个全连接层组成，输入必须是大小分类器后一个长度为 1000 的向量，表示为了将卷积神经网络应用于异常检测连接层，将其转换成了全卷积神经网络卷积特征。另外，我们考虑到当输入仅信息，而视频中的异常往往需要从动态神经网络后面添加一个特征编码层，将效率，便于后续联立连续多帧的视频序列模型整体结构如图 2-6 所示。

卷积,图像,卷积核,特征图

按照上述结构，得到训练好后的 FCN 模型，就能提取数据集中视频图像的卷积特征，其过程和特征提取的实验结果在下一小节详细阐述。2.2.3 卷积特征提取原始视频图像输入到 FCN 后，会根据当前卷积层的卷积核数量，生成相应数量的卷积特征图。并且，卷积特征图中相同像素点的值就是对输入图像中与卷积核大小相同的对应局部区域的表征，示意图如图 2-7 所示。

【相似文献】