基于光流特征的航站楼旅客异常行为识别方法研究

发布时间：2017-10-26 16:00

  本文关键词：基于光流特征的航站楼旅客异常行为识别方法研究

  更多相关文章： 视频行为分析 光流场 异常行为识别 群聚 奔跑 打架 行走 旅客 航站楼

【摘要】：近年来,民航业迅速发展,客流量日益增多,机场作为民航客运的载体,频繁发生旅客闹事事件。然而传统视频监控系统依靠人工观测的方式发现异常事件,其监测有效性与航站楼内巨大的监控摄像数量不匹配。智能视频监控系统能对旅客异常行为实时分析,及时预警安全险情,缓解机场安全管理压力。利用视频行为分析技术,本文针对视频旅客出现的快速奔跑、打架斗殴以及聚集围观等三类异常行为的检测与识别进行了详细地研究。主要研究工作反映在:相对于正常行走,将旅客快速奔跑、打架斗殴定义为运动异常行为,采用了以光流方向区间为检测指标的运动异常行为识别方法。首先,计算运动目标检测后的行人区域光流特征,将到的光流方向值分配到一定数量的角度区间。然后,统计出各区间的光流特征个数与光流特征平均幅值,构成出描述运动异常行为的特征量。最后,利用优化后的特征量对支持向量机进行学习训练,可以有效地得到识别旅客正常行走、快速奔跑与打架斗殴等3种行为的分类器。针对中低人群密度场景下,旅客聚集异常行为与其他多人行为的相似性,提出了基于人群密度和角点光流特征的多人典型群集异常行为的检测方法。首先利用前景二值图计算归一化前景面积与前景分布的二维联合熵,获得人群密度变化特征;同时,利用前景角点的运动光流特征,计算光流动能与光流方向熵。根据群聚行为在人群密度及运动特征上的表现特点,利用不同行为在人群密度及光流特征上表现特点的差异,定义群聚、奔跑两个异常判断指标;利用阈值法,逐一地识别出群聚、奔跑、打架及正常行走行为。该方法有效减少了利用单一人群密度特征检测群聚异常带来的其他群体行为的误检。利用本文提出的不同异常行为的检测识别算法,对多个标准人体行为视频库以及实测视频进行仿真实验。实验结果表明,本文提出的异常行为检测方法有助于提高航站楼旅客异常行为的识别性能。
【关键词】：视频行为分析 光流场 异常行为识别 群聚 奔跑 打架 行走 旅客 航站楼
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V35;TN948.6
【目录】：

• 摘要4-5
• ABSTRACT5-13
• 第一章 绪论13-20
• 1.1 课题研究背景及意义13-14
• 1.2 课题关键技术及国内外研究现状14-17
• 1.2.1 异常行为分析研究现状14-16
• 1.2.2 智能监控视频系统国内外研究现状16-17
• 1.3 本文主要研究内容17-18
• 1.4 本文内容安排18-20
• 第二章 运动前景提取技术20-31
• 2.1 常用动目标检测技术20-22
• 2.1.1 光流分析法20-21
• 2.1.2 时域差分法21
• 2.1.3 背景差分法21-22
• 2.2 前景提取22-27
• 2.2.1 传统高斯混合模型22-25
• 2.2.2 改进后的高斯混合模型25
• 2.2.3 图像平滑和形态学处理25-27
• 2.3 实验结果与分析27-29
• 2.4 本章小结29-31
• 第三章 基于光流方向区间的运动异常行为检测识别研究31-57
• 3.1 算法概述31-32
• 3.2 运动信息获取32-37
• 3.2.1 金字塔LK光流法32-36
• 3.2.2 区域光流特征36-37
• 3.3 行为描述特征建立37-39
• 3.3.1 光流方向直方图38
• 3.3.2 基于角度区间的光流平均幅值38-39
• 3.4 特征量优化39-44
• 3.5 运动异常识别分类44-52
• 3.5.1 支持向量机原理45-50
• 3.5.2 多分类方法50-52
• 3.6 实验结果与分析52-56
• 3.6.1 行为识别分类器评估52-55
• 3.6.2 运动异常行为检测结果及分析55-56
• 3.7 本章小结56-57
• 第四章 结合人群密度和运动信息的群体异常行为检测识别研究57-77
• 4.1 算法概述57-58
• 4.2 人群密度估计58-67
• 4.2.1 摄像机透视效应58-59
• 4.2.2 归一化前景面积59-62
• 4.2.3 二维联合熵62-63
• 4.2.4 人群密度检测指标63
• 4.2.5 实验结果与分析63-67
• 4.3 基于前景角点的运动特征67-70
• 4.3.1 Shi-Tomasi角点检测67-68
• 4.3.2 前景角点的光流特征68
• 4.3.3 光流运动能量68-69
• 4.3.4 光流方向熵69-70
• 4.4 异常行为的检测指标70
• 4.5 群体异常行为识别分析70-76
• 4.6 本章小结76-77
• 第五章 总结与展望77-79
• 5.1 总结77
• 5.2 展望77-79
• 参考文献79-85
• 致谢85-86
• 在学期间的研究成果及发表的学术论文86

【参考文献】

中国期刊全文数据库 前10条

1 王宪;柳絮青;宋书林;沈源;;一种无监督学习的异常行为检测方法[J];光电工程;2014年03期

2 常庆龙;夏洪山;;利用归一化前景和二维联合熵的人群聚集检测方法[J];武汉大学学报(信息科学版);2013年09期

3 段晶晶;高琳;范勇;李郁峰;夏菁菁;任新宇;;基于KOD能量特征的群体异常行为识别[J];计算机应用研究;2013年12期

4 杜鉴豪;许力;;基于区域光流特征的异常行为检测[J];浙江大学学报(工学版);2011年07期

5 薛丽霞;罗艳丽;王佐成;;基于帧间差分的自适应运动目标检测方法[J];计算机应用研究;2011年04期

6 张军;刘志镜;;基于模糊理论的行人异常动作检测[J];模式识别与人工智能;2010年03期

7 印勇;张毅;刘丹平;;基于改进Hu矩的异常行为识别[J];计算机技术与发展;2009年09期

8 谷军霞;丁晓青;王生进;;行为分析算法综述[J];中国图象图形学报;2009年03期

9 江志军;易华蓉;;一种基于图像金字塔光流的特征跟踪方法[J];武汉大学学报(信息科学版);2007年08期

10 林洪文,涂丹,李国辉;基于统计背景模型的运动目标检测方法[J];计算机工程;2003年16期

中国博士学位论文全文数据库 前1条

1 林春丽;基于视频序列的人体行为分类及异常检测[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前2条

1 朱力e，

本文编号：1099371