基于帧预测的监控视频异常事件检测方法研究

发布时间：2024-04-13 04:45

　　视频监控应用于各类公共场所,提高了防灾应急和案件侦破的效率,保障了人民群众的生命财产安全。然而,传统的视频异常检测需要工作人员对海量的监控数据进行长期而严密的观察,以发现异常事件。这种检测方式繁琐且极易产生疲劳,还容易造成关键信息的遗漏。为了准确地发现异常事件,并及时地做出响应,设计一种高效的、智能的视频异常检测方法变得愈来愈重要。由于异常事件的偶发性以及多样性,使得异常事件的数据很难收集。此外,由于异常事件的定义具有不明确性,使得同一行为的定义取决于所依赖的具体场景。因此,视频异常检测仍然是一项充满挑战性的任务。本文对视频中异常事件的检测展开了研究,主要贡献如下:(1)提出一种融合独立循环神经网络(Ind RNN)与变分自编码(VAE)网络的预测网络Ind RNN-VAE,解决了现有异常检测方法不能有效提取视频中帧与帧之间的时间信息的问题。在提出的预测网络Ind RNN-VAE中,首先利用变分自编码网络提取视频帧的空间信息,并通过线性变换得到视频帧的潜在特征;然后将潜在特征作为独立循环神经网络的输入以得到视频帧序列的时间信息;最后通过残差块将获得的潜在变量与时间信息进行融合输入到解码...

【文章页数】：64 页

【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
        1.2.1 基于监督学习的视频异常检测
        1.2.2 基于弱监督学习的视频异常检测
        1.2.3 基于无监督学习的视频异常检测
    1.3 本文研究内容
    1.4 论文结构安排
第2章 理论基础
    2.1 引言
    2.2 卷积神经网络理论知识
        2.2.1 卷积操作
        2.2.2 池化操作
        2.2.3 激活函数
        2.2.4 反卷积操作
        2.2.5 上池化操作
    2.3 深度学习相关网络
        2.3.1 编码器
        2.3.2 生成对抗网络
        2.3.3 循环神经网络
        2.3.4 三重注意力机制
    2.4 性能评价方法
        2.4.1 异常评价方法
        2.4.2 异常评价指标
    2.5 相关数据集
    2.6 本章小结
第3章 基于 IndRNN-VAE 网络的异常检测方法
    3.1 引言
    3.2 基于 IndRNN-VAE 的异常检测模型
        3.2.1 IndRNN-VAE 网络搭建
        3.2.2 模型训练
    3.3 实验与分析
        3.3.1 实验设置
        3.3.2 与目前先进方法对比
        3.3.3 视频帧异常分数可视化
        3.3.4 消融实验
    3.4 本章小结
第4章 基于WTAN网络的异常检测方法
    4.1 引言
    4.2 基于WTAN网络的异常检测模型
        4.2.1 模型架构
        4.2.2 模型训练
        4.2.3 异常评价
    4.3 实验结果及分析
        4.3.1 参数设置
        4.3.2 实验结果
        4.3.3 与其他方法的对比及异常可视化
        4.3.4 消融实验
    4.4 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 未来工作展望
参考文献



本文编号：3952503