视频异常事件检测算法研究

发布时间：2017-09-07 07:34

  本文关键词：视频异常事件检测算法研究

  更多相关文章： 异常检测 排序直方图 支持向量数据描述 局部敏感哈希 最优投影

【摘要】：智能视频监控利用计算机视觉等技术对监控内容进行理解与分析,在平安城市建设中发挥着不可替代的作用。作为智能视频监控的一项重要内容,视频异常事件检测能够自动发现监控场景中的异常行为并作出预警,有效地帮助安全人员处理突发事件。本文针对日常生活场景中如人行道上开车、地铁站逃票和广场上人群恐慌等异常事件,提出了两种新颖的视频异常事件检测算法。第一种算法融合运动信息和外观信息实现视频异常事件检测。针对运动异常检测,我们采用排序光流直方图来统计正常运动模式的分布并提出“拦截直条”的概念来辨别异常运动；针对外观异常检测,我们利用支持向量数据描述在特征空间中寻找包含尽可能多正常样本的体积最小的超球,并利用观测样本到超球球心的距离来判断其是否异常。最后我们提出新的基于证据理论的融合方法将动作和外观异常结果进行融合,得到准确率更高的异常事件检测结果。第二种算法采用局部敏感哈希滤波来检测视频中的异常事件。我们利用局部敏感哈希函数将训练数据集映射到一系列哈希桶中,对于新的测试样本,我们将其投影到测试哈希桶中并寻找距离最近的训练哈希桶,根据测试样本对最近训练哈希桶的滤波响应来计算其异常程度。此外,我们提出哈希投影的评价函数,并采用粒子群算法来寻找最优的哈希映射函数,提高异常事件检测的效率和准确率。本文算法在三个公开的异常事件检测库上进行了评测,并与其他9种经典算法分别进行了定量比较。实验结果表明,本文算法能够有效检测不同场景中的异常行为,在ROC曲线、AUC值、检测率、相等错误率和误报率等评测准则上表现出与其他经典算法相近甚至比其他算法更好的性能。
【关键词】：异常检测 排序直方图 支持向量数据描述 局部敏感哈希 最优投影
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN948.6;TP391.41
【目录】：

• 摘要5-6
• Abstract6-9
• 1 绪论9-16
• 1.1 研究背景及选题意义9-10
• 1.2 经典算法及研究现状10-13
• 1.2.1 基于监督学习的异常事件检测11-12
• 1.2.2 基于半监督学习的异常事件检测12-13
• 1.2.3 基于无监督学习的异常事件检测13
• 1.3 本文工作及主要贡献13-16
• 2 基于动作和外观信息融合的异常事件检测16-28
• 2.1 基于动作特征的异常事件检测16-20
• 2.1.1 动作特征统计直方图16-17
• 2.1.2 拦截直条计算17-18
• 2.1.3 异常动作检测18-20
• 2.2 基于外观特征的异常事件检测20-24
• 2.2.1 视频表示20-21
• 2.2.2 支持向量数据描述21-23
• 2.2.3 异常外观检测23-24
• 2.3 基于证据理论的异常概率图融合24-28
• 3 基于局部敏感哈希滤波的异常事件检测28-38
• 3.1 相关算法介绍28-31
• 3.1.1 局部敏感哈希28-30
• 3.1.1.1 局部敏感哈希定义28-29
• 3.1.1.2 基于p-稳定分布的局部敏感哈希29-30
• 3.1.2 布隆滤波器30-31
• 3.2 基于局部敏感哈希滤波的异常事件检测31-34
• 3.2.1 视频表示31
• 3.2.2 异常事件检测31-33
• 3.2.3 模型在线更新33-34
• 3.3 寻找最优哈希投影方向34-38
• 3.3.1 哈希投影评价函数34-35
• 3.3.2 粒子群算法寻找最优哈希投影35-38
• 4 实验与结果38-51
• 4.1 数据库UCSD实验结果与分析38-45
• 4.1.1 数据库介绍38
• 4.1.2 评测准则38-39
• 4.1.3 实验参数设置39-40
• 4.1.4 实验结果比较与分析40-45
• 4.2 数据库Subway实验结果与分析45-49
• 4.2.1 数据库介绍45
• 4.2.2 评测准则45
• 4.2.3 实验参数设置45-46
• 4.2.4 实验结果比较与分析46-49
• 4.3 数据库UMN实验结果与分析49-51
• 4.3.1 数据库介绍49
• 4.3.2 评测准则49
• 4.3.3 实验参数设置49
• 4.3.4 实验结果比较与分析49-51
• 结论51-53
• 参考文献53-57
• 攻读硕士学位期间发表学术论文情况57-59
• 致谢59-61

【参考文献】

中国硕士学位论文全文数据库 前1条

1 宋波涛;智能视频监控系统的设计与实现[D];吉林大学;2009年

，

本文编号：808236