面向视频监控的群体异常行为检测

发布时间：2017-06-25 02:17

  本文关键词：面向视频监控的群体异常行为检测，，由笔耕文化传播整理发布。

【摘要】：随着现代社会经济的发展,城市化进程的加快,城市中大规模人群活动变得日益频繁,而相关的人群事故也屡见不鲜。因此,如何对人群进行合理的监控管理是城市化进程中亟待解决的热点问题之一。而智能视频监控网络是利用计算机技术实现视频自动分析的技术。作为一种有效的公众安防手段,智能视频监控系统正越来越受到人们的青睐。而本文中研究的针对视频序列的异常行为检测技术是智能视频监控领域中日益受到关注的一个研究方向。通过计算机技术,对监控网络中的视频数据进行视频分析,相对于传统的事后人工分析视频,能够大大地减少人力物力,给社会带来很大的经济效益;并且能够实现实时预警,解决了传统监控系统的事后性。本文从理论和实际应用的角度,对以视频为输入的异常行为检测进行了一些新的探索。具体所做的工作与主要创新点有:(1)在基于稀疏表示的异常行为检测算法中,提出了一种改进后的字典在线更新算法,相对与基于MOD和基于KSVD的传统算法来说,改进后的在线训练算法,将字典学习问题由凸数据集的平滑非凸目标函数的最优化问题,转化为当训练数据量接近无穷时的期望误差的最小化问题,这样,仅仅只需在算法的每次迭代过程通过LARS算法,计算最小化二次函数在约束性条件下的经验代价,更加有效地并且快速地最优化目标函数;同时,由于空间复杂度大大降低,在训练样本数据量很大的场景中,即监控场景中的摄像头分辨率很大,也能够快速地达到全局收敛,得到有效的字典表示,不会像传统的在线训练算法,由于内存占用过大而无法训练或者必须提升现有系统设备。(2)改进稀疏表示算法,应用了一种新的稀疏组合模型,其原理在于,训练阶段,动态更新稀疏组合集合,其中每个组合尽可能多地表示原始数据且保证重构误差在可允许范围内,这样,传统的复杂的字典优化问题,就会变为简单的二次项优化问题,训练时间大大降低;且在异常检测阶段,只需遍历训练得到的稀疏组合集合,判断是否存在组合使其重构误差在给定阈值之内,是很简单的线性遍历方法,而传统的稀疏表示方法,由于稀疏系数搜索空间比较大,必须进行多次迭代计算出其对应稀疏系数矩阵,然后计算其重构误差,这样大大地消耗了计算资源,计算速率也很低。(3)使用多个混合纹理对复杂场景建模。传统的基于动态纹理的算法,如视频恢复等等应用,一般都是单一动态纹理建模。然而由于监控系统场景的不确定性,单一动态纹理无法满足其性能要求。本文中通过多个动态纹理线性加权,使用混合动态纹理模型建模原始视频数据,提出相应的参数更新算法,相对于单一动态纹理建模,对场景变化较大的视频数据有更好的建模能力。(4)提出一种时空域异常行为融合的异常检测算法。传统算法中,只考虑单一域的异常行为模式,例如基于前后帧差异的时域异常行为,又或者基于显著性方法的异常行为检测,只考虑空间像素的差异性,很少有算法能够同时考虑时域与空域的影响。本文中,在基于混合动态纹理模型的算法中,通过时域模型的训练,测试检测数据的耦合模型概率,计算出对应的时域异常图谱;同时,利用显著性算法原理,对视频帧进行空域异常图谱的计算。综合考虑时域与空域的异常可能性,经过实验证明,相对于传统的单一域的算法,鲁棒性有较大地提升。
【关键词】：异常检测 稀疏表示 稀疏组合 混合动态纹理 时空域异常行为融合
【学位授予单位】：上海大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN948.6
【目录】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 绪论13-20
• 1.1 课题研究的目的及意义13-14
• 1.2 国内外研究概况14-16
• 1.3 异常行为检测技术及难点16-18
• 1.4 论文主要工作与章节安排18-20
• 1.4.1 论文主要研究工作18
• 1.4.2 论文的章节安排18-20
• 第二章 基础技术的研究与实现20-35
• 2.1 背景建模20-26
• 2.1.1 时间差分法20-21
• 2.1.2 背景减除法21-22
• 2.1.3 统计模型方法22-25
• 2.1.4 混合高斯模型背景检测法25-26
• 2.2 运动特征方法研究26-31
• 2.2.1 局部描述子26-27
• 2.2.2 光流场及GPU并行化27-30
• 2.2.3 局域时空运动模型30-31
• 2.3 动态纹理建模方法研究31-33
• 2.3.1 动态纹理模型31-33
• 2.3.2 动态纹理模型参数近似估计33
• 2.4 本章小结33-35
• 第三章 基于稀疏表示的群体异常行为检测算法35-48
• 3.1 视频数据预处理及特征提取35-38
• 3.1.1 改进的混合高斯模型35-37
• 3.1.2 多尺度光流直方图提取37-38
• 3.2 稀疏编码模型38-40
• 3.2.1 稀疏编码概述39
• 3.2.2 稀疏编码模型建立39-40
• 3.3 字典参数估计40-44
• 3.3.0 离线更新与在线更新41-42
• 3.3.1 改进的字典在线训练算法42-43
• 3.3.2 重构误差的计算及改进43-44
• 3.4 实验44-46
• 3.4.1 实验介绍44-45
• 3.4.2 实验结果及分析45-46
• 3.5 本章小结46-48
• 第四章 基于稀疏组合模型的群体异常行为检测48-65
• 4.1 特征提取48-51
• 4.1.1 局域时空运动提取49
• 4.1.2 多尺度局域时空运动特征提取49-51
• 4.2 数据降维51-55
• 4.2.1 PCA定义51-52
• 4.2.2 PCA原理52-54
• 4.2.3 PCA解法54-55
• 4.3 稀疏组合模型55-60
• 4.3.1 稀疏组合定义56
• 4.3.2 稀疏组合训练算法56-59
• 4.3.3 重构误差计算59-60
• 4.4 实验60-63
• 4.4.1 实验环境及参数设置60
• 4.4.2 Avenue数据集60-62
• 4.4.3 Subway数据集62-63
• 4.5 本章小结63-65
• 第五章 基于混合动态态纹理表示的群体异常行为检测65-81
• 5.1 混合动态纹理建模66-69
• 5.1.1 混合动态纹理模型66-67
• 5.1.2 混合动态纹理模型参数估计67-69
• 5.2 时域异常行为检测69-71
• 5.2.1 时域混合动态纹理建模69-70
• 5.2.2 时域异常图谱计算70-71
• 5.3 空域异常行为检测71-75
• 5.3.1 显著性判决71-72
• 5.3.2 混合动态纹理中心-周边显著性分析72-73
• 5.3.3 空域异常图谱计算73-75
• 5.4 时空域异常行为融合75-76
• 5.5 实验76-80
• 5.5.1 UCSD行人异常数据集介绍76-77
• 5.5.2 实验性能评测标准77-78
• 5.5.3 算法性能及分析78-80
• 5.6 本章小结80-81
• 第六章 结论与展望81-84
• 6.1 结论81-82
• 6.2 展望82-84
• 参考文献84-91
• 作者在攻读硕士学位期间公开发表的论文91-92
• 作者在攻读硕士学位期间所参与的项目92-93
• 致谢93

【参考文献】

中国期刊全文数据库 前1条

1 王乔;雷航;郝宗波;;基于整体能量模型的异常行为检测[J];计算机应用研究;2012年12期

  本文关键词：面向视频监控的群体异常行为检测，由笔耕文化传播整理发布。

本文编号：480433