基于视频监控的室内场所异常检测
发布时间：2020-12-21 22:58
近年来伴随计算机视觉技术的发展,视频监控开始向智能化方向发展。基于视频监控的异常检测作为智能视频监控的重要组成部分,具有广泛的应用空间。本文针对室内场所,运用目标检测等算法实现对监控视频的实时异常检测。本文的主要工作如下:1.提出了 DenseYOLO目标检测模型,对YOLOv2模型进行了三个方面的改进:利用稠密网络中特征融合方式改进网络结构;使用K-means++对目标框进行聚类改进网络参数;利用迁移学习的方式对网络进行训练。实验结果表明DenseYOLO正确率达到了 93.66%,相比YOLO v2提高了 7.06%;同时DenseYOLO还降低了小目标检测中的漏检率。2.针对人、宠物及贵重物品这几种常见的监控目标,利用DenseYOLO对目标的状态进行异常检测,并分别使用一般场景、光照强、光照弱、目标被遮挡、目标较小等不利条件下拍摄的监控视频进行测试,区域入侵检测、物品移动/移出检测及人流量监控三种特定目标异常检测功能分别达到92.73%、90.07%、91.58%的平均正确率。3.针对独居老...
【文章来源】：大连交通大学辽宁省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
网格预测示意图
ＹＯＬＯ?ｖｌ的网络设计基本与ＧｏｏｇｌｅＮｅｔ模型相似，共含有２４个级联的卷积层与２??个全连接层。卷积层参数主要为３ｘ３和１ｘ１这两种尺度的卷积核，最后一个全连接层即??输出１４７０维度的向量。网络模型结构如图２．２所示。??？?ｆｖ＼＾??３?１９２?２５６?５１２?１０３４?１０２４?１０２４?ｉ０９６?３０??Ｃｏｎｖ．?Ｌａｙｅｒ?Ｃｏｎｖ．?Ｌａｙｅｒ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｎ．?Ｌａｙｅｒ?Ｃｏｎｎ，?ｌａｙｅｒ??＇?７ｘ７ｘ６＾＊２?３ｘ３ｘ１９２?１ｘ１ｘ１２８?１ｘ１ｘ２５６１?ｘ４?１ｘ１ｘ５１２?｜ｘ２?３ｘ３ｘ１０２４??Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?３ｘ３ｘ２５６?３ｘ３ｘ５１２?Ｊ?３ｘ３ｘ１０２４?Ｊ?３ｘ３ｘ１０２４??２ｘ２＋２?２ｘ２ｖ２?１＊１ｘ２５６?１ｘ１ｘ５１２?３ｘ３ｘ１０２４??３ｘ３ｘ５１２?３ｘ３ｘ１０２４?３ｘ３ｘ１０２４－ｖ２??Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?Ｍａｘｐｏｏｌ?Ｌａｙｅｒ??２
－?出于对公共安全及财产安全的考虑，在银行办公区域或商场入口等室内公共场所常??见到如图３．１所示标识，同时在一些危险区域也会设有禁止入内的警示牌，意在提醒人??们此区域内禁止人员进入或禁止携带宠物等相关制度及规定。在这类区域通常会设置人??员巡逻或视频监控设备监控，难免会出现监控不及时的情况。若在此类区域中利用自动??检测算法对人员及其携带的宠物进行监控，则可在节省人力的同时更加及时发现异常入??侵。??图３．１室内场所警示标识??Ｆｉｇ．?３．１?Ｔｈｅ?ｗａｒｎｉｎｇ?ｓｉｇｎｓ?ｏｆ?ｉｎｄｏｏｒ?ｓｐａｃｅ??室内公共区域如博物馆、贵重商品展示台等存放贵重物或存放可移动的公共设施的??场所，允许人员在附近走动但不允许移动或移出区域的特定物品。在这种情况下，监控??设备通常会设置在距离监控目标较近的位置，并且只关注目标的动态。若使用异常检测??算法替代人工对这些重点物品进行监控，则可更加精确地保证目标的安全。??在商场、体育馆等经常举办大型活动的室内场所，当一定区域内的人流量超过时很??＇?容易发生踩踏事故。相对其他异常事件来说，人流量超过限制的情况较难以人工监控的??．?方式准确判别
【参考文献】：
期刊论文
[1]公安专用视频监控系统前端布点研究综述[J]. 梁烨,洪卫军,张鸿洲. 科学技术与工程. 2018(03)
[2]基于隐马尔可夫模型的视频异常场景检测[J]. 李娟,张冰怡,冯志勇,徐超,张铮. 计算机工程与科学. 2017(07)
[3]智能视频分析搭上AI 世界会怎样[J]. 罗超. 中国公共安全. 2017(06)
[4]商汤科技,引领智能安防时代[J]. 罗超. 中国公共安全. 2016(19)
[5]公安天网视频监控系统升级改造建设初探[J]. 孟振江. 有线电视技术. 2016(09)
[6]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]天网工程图像有效性综述[J]. 张迎亚,赵亚飞. 中国公共安全. 2014(11)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于监控视频的人体异常行为检测研究[D]. 吴扬.哈尔滨工业大学 2015
[2]基于分层贝叶斯模型的智能视频监控中的异常检测[D]. 陈政.西南大学 2015
[3]陕西天宏硅业数字视频监控系统的应用研究[D]. 燕莎.西安石油大学 2014
[4]视频序列中运动目标检测算法研究[D]. 刘利君.中南大学 2014
本文编号：2930660
【文章来源】：大连交通大学辽宁省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
网格预测示意图
ＹＯＬＯ?ｖｌ的网络设计基本与ＧｏｏｇｌｅＮｅｔ模型相似，共含有２４个级联的卷积层与２??个全连接层。卷积层参数主要为３ｘ３和１ｘ１这两种尺度的卷积核，最后一个全连接层即??输出１４７０维度的向量。网络模型结构如图２．２所示。??？?ｆｖ＼＾??３?１９２?２５６?５１２?１０３４?１０２４?１０２４?ｉ０９６?３０??Ｃｏｎｖ．?Ｌａｙｅｒ?Ｃｏｎｖ．?Ｌａｙｅｒ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｖ．?Ｌａｙｅｒｓ?Ｃｏｎｎ．?Ｌａｙｅｒ?Ｃｏｎｎ，?ｌａｙｅｒ??＇?７ｘ７ｘ６＾＊２?３ｘ３ｘ１９２?１ｘ１ｘ１２８?１ｘ１ｘ２５６１?ｘ４?１ｘ１ｘ５１２?｜ｘ２?３ｘ３ｘ１０２４??Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?３ｘ３ｘ２５６?３ｘ３ｘ５１２?Ｊ?３ｘ３ｘ１０２４?Ｊ?３ｘ３ｘ１０２４??２ｘ２＋２?２ｘ２ｖ２?１＊１ｘ２５６?１ｘ１ｘ５１２?３ｘ３ｘ１０２４??３ｘ３ｘ５１２?３ｘ３ｘ１０２４?３ｘ３ｘ１０２４－ｖ２??Ｍａｘｐｏｏｌ?Ｌａｙｅｒ?Ｍａｘｐｏｏｌ?Ｌａｙｅｒ??２
－?出于对公共安全及财产安全的考虑，在银行办公区域或商场入口等室内公共场所常??见到如图３．１所示标识，同时在一些危险区域也会设有禁止入内的警示牌，意在提醒人??们此区域内禁止人员进入或禁止携带宠物等相关制度及规定。在这类区域通常会设置人??员巡逻或视频监控设备监控，难免会出现监控不及时的情况。若在此类区域中利用自动??检测算法对人员及其携带的宠物进行监控，则可在节省人力的同时更加及时发现异常入??侵。??图３．１室内场所警示标识??Ｆｉｇ．?３．１?Ｔｈｅ?ｗａｒｎｉｎｇ?ｓｉｇｎｓ?ｏｆ?ｉｎｄｏｏｒ?ｓｐａｃｅ??室内公共区域如博物馆、贵重商品展示台等存放贵重物或存放可移动的公共设施的??场所，允许人员在附近走动但不允许移动或移出区域的特定物品。在这种情况下，监控??设备通常会设置在距离监控目标较近的位置，并且只关注目标的动态。若使用异常检测??算法替代人工对这些重点物品进行监控，则可更加精确地保证目标的安全。??在商场、体育馆等经常举办大型活动的室内场所，当一定区域内的人流量超过时很??＇?容易发生踩踏事故。相对其他异常事件来说，人流量超过限制的情况较难以人工监控的??．?方式准确判别
【参考文献】：
期刊论文
[1]公安专用视频监控系统前端布点研究综述[J]. 梁烨,洪卫军,张鸿洲. 科学技术与工程. 2018(03)
[2]基于隐马尔可夫模型的视频异常场景检测[J]. 李娟,张冰怡,冯志勇,徐超,张铮. 计算机工程与科学. 2017(07)
[3]智能视频分析搭上AI 世界会怎样[J]. 罗超. 中国公共安全. 2017(06)
[4]商汤科技,引领智能安防时代[J]. 罗超. 中国公共安全. 2016(19)
[5]公安天网视频监控系统升级改造建设初探[J]. 孟振江. 有线电视技术. 2016(09)
[6]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]天网工程图像有效性综述[J]. 张迎亚,赵亚飞. 中国公共安全. 2014(11)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于监控视频的人体异常行为检测研究[D]. 吴扬.哈尔滨工业大学 2015
[2]基于分层贝叶斯模型的智能视频监控中的异常检测[D]. 陈政.西南大学 2015
[3]陕西天宏硅业数字视频监控系统的应用研究[D]. 燕莎.西安石油大学 2014
[4]视频序列中运动目标检测算法研究[D]. 刘利君.中南大学 2014
本文编号：2930660
本文链接：https://www.wllwen.com/kejilunwen/wltx/2930660.html
