视频监控中人群密度估计和人群异常行为识别

发布时间：2017-04-08 03:05

  本文关键词：视频监控中人群密度估计和人群异常行为识别，由笔耕文化传播整理发布。

【摘要】：随着图像处理、模式识别、人工智能等技术的飞速发展,视频智能监控也由理论研究逐渐转向了广泛应用阶段。因此,智能视频监控技术作为改善传统监控系统的核心技术得到了越来越多学者的密切关注。而作为智能视频监控巨大挑战之一的人群分析包括人群密度估计和人群行为识别也成为各大研究者的研究目标。本文搜集并查阅了人群理解相关的最新研究理论,对其涉及的一些相关知识如标签分布学习、多标签学习、人群密度估计、人群行为识别等进行了较深入的研究,主要研究内容包括:1、介绍了多标签学习和标签分布学习算法的基础理论知识。将多标签学习分为两类问题转化法和算法适应法,并分别对其进行了简单论述。针对传统的基于监督学习的多标签学习算法为了获得准确的标签分类模型要求有充足训练样本的缺陷,引出了直推式多标签学习算法。并分析了直推式多标签学习相比其他多标签学习算法的优越性。标签分布是由每个标签对图像的描述程度组成,它认为每一张图像都与一个标签分布相对应,标签分布学习在学习过程中考虑到了所有可能的标签,使得分类器泛化能力增强。2、提出一种基于标签分布学习的人群密度估计算法。本文为每一帧人群图像分配一个概率分布,来代表人数标签对图像的描述程度。首先将人群图像像素进行透视归一化匹配,并通过人群分割算法分割出视频中的人群,提取人群图像中的低水平特征包括分割特征、纹理特征、边缘特征;然后采用条件概率神经网络学习算法来训练人数标签分布模型,最后输入测试图像到标签分布模型后即可获得图像中的人数。除了通过人数误差来评估算法的性能外,我们还对比了测试样本的预测标签分布和真实标签分布。经实验验证,在人群数据集UCSD上本文的算法的确表现了很好的效果。3、提出两种人群异常行为识别算法。本文将人群异常行为识别看成一个多标签分类问题,对每个行为序列分配一个或多个行为标签,通过有标签或者无标签的行为序列信息得到有效的分类模型,完成人群异常行为的识别。基于偏好分布学习的异常行为识别算法首先通过学习不一致排序得到一个潜在的偏好分布使其能兼容多个不一致排序,然后通过BFGS(Broyden Fletcher Goldfard Shann,高斯拟牛顿)标签分布学习算法学习这个潜在偏好分布模型,最终完成行为分类,这种方法解决了标签排序不一致的问题。而基于直推式多标签的异常行为识别算法将大量的测试集数据信息运用于多标签的学习,使得算法在测试数据集上获得较好的行为分类效果。这种处理可以大大降低了标注的不可靠性以及其产生的负面影响。本文采用多标签性能评估矩阵对两种异常行为识别算法进行了实验验证,并与其他算法进行了比较。
【关键词】：多标签学习 标签分布 标签分布学习 人群密度估计 偏好分布 人群行为识别
【学位授予单位】：中国计量学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN948.6
【目录】：

• 致谢5-6
• 摘要6-8
• Abstract8-14
• 1. 绪论14-22
• 1.1. 本章引论14-15
• 1.2. 国内外研究现状分析15-20
• 1.2.1. 人群密度估计15-18
• 1.2.2. 异常行为识别18-20
• 1.3. 论文的主要工作和章节安排20-22
• 2. 基本理论及方法22-29
• 2.1. 本章引论22
• 2.2. 多标签学习22-26
• 2.3. 标签分布学习26-28
• 2.4. 小结28-29
• 3. 人群密度估计29-43
• 3.1. 本章引论29
• 3.2. 视频中人群特征提取29-32
• 3.2.1. 人群图像透视校正30-31
• 3.2.2. 人群分割31-32
• 3.2.3. 低水平人群特征提取32
• 3.3. 基于标签分布学习的人群密度估计32-36
• 3.3.1. 人数标签分布32-34
• 3.3.2. 条件概率神经网络标签分布学习34-36
• 3.3.3. 人群密度估计36
• 3.4. 实验结果与分析36-41
• 3.5. 小结41-43
• 4. 人群异常行为识别43-59
• 4.1. 本章引论43
• 4.2. 基于偏好分布学习的人群异常行为识别43-50
• 4.2.1. 不一致行为标签排序学习45
• 4.2.2. 偏好分布模型学习45-47
• 4.2.3. 人群异常行为识别47-48
• 4.2.4. 实验结果与分析48-50
• 4.3. 基于直推式多标签学习的人群异常行为识别50-58
• 4.3.1. 行为标签标注50-51
• 4.3.2. 直推式多标签学习51-54
• 4.3.3. 行为标签集预测54-55
• 4.3.4. 实验结果与分析55-58
• 4.4. 小结58-59
• 5. 总结与展望59-61
• 5.1. 研究工作总结59-60
• 5.2. 工作展望60-61
• 参考文献61-66
• 作者简历66

【相似文献】

中国期刊全文数据库 前10条

1 张燕;黎宁;刘福美;;一种基于区域划分的人群密度估计快速方法[J];计算机与数字工程;2011年04期

2 刘福美;黎宁;张燕;张可;;一种基于图像处理的人群密度估计方法[J];计算机与数字工程;2011年05期

3 麻文华;黄磊;刘昌平;;基于置信度分析的人群密度等级分类模型[J];模式识别与人工智能;2011年01期

4 胡波;李晓华;沈兰荪;;场景监控中的人群密度估计[J];电路与系统学报;2007年06期

5 杨裕;朱秋煜;吴喜梅;;复杂场景中的自动人群密度估计[J];现代电子技术;2009年17期

6 李雪峰;李晓华;周激流;;基于完全局部二值模式的人群密度估计[J];计算机工程与设计;2012年03期

7 于艳艳;;商业社区人群密度监测系统设计[J];科技广场;2008年03期

8 黄璐;林燕;;一种基于视频的车站人群密度估计算法[J];计算机时代;2012年07期

9 贾永华;呼志刚;浦世亮;;基于视频前景边缘和特征检测的人群密度估计方法[J];中国公共安全(综合版);2011年05期

10 覃勋辉;王修飞;周曦;刘艳飞;李远钱;;多种人群密度场景下的人群计数[J];中国图象图形学报;2013年04期

中国重要会议论文全文数据库 前2条

1 方曼;姚晓晖;李剑峰;;社会重大活动中人群的监测与管控方法研究[A];中国职业安全健康协会2009年学术年会论文集[C];2009年

2 熊艳;冯志斌;;人群密集场所人流管控方案探讨[A];中国职业安全健康协会2008年学术年会论文集[C];2008年

中国重要报纸全文数据库 前1条

1 记者 陈建强 通讯员 张轶帆;南开大学 实现人群密度与轨迹智能跟踪[N];光明日报;2012年

中国博士学位论文全文数据库 前2条

1 叶子;基于视觉计算的人群场景理解与行为分析[D];中国矿业大学（北京）;2013年

2 朱海龙;复杂气象条件下动态人群场景分析方法研究[D];哈尔滨工业大学;2012年

中国硕士学位论文全文数据库 前10条

1 郄志安;基于视频的目标跟踪及人群密度估计方法研究[D];上海交通大学;2015年

2 张兵;智能视频监控中人群密度分析及突发异常行为检测[D];北京交通大学;2016年

3 廖国铭;基于粘滞滤波器的集群行为方法研究[D];华南理工大学;2016年

4 王健;人群密度估计方法的研究与实现[D];上海师范大学;2016年

5 李杰;基于视频的人群异常聚集检测[D];中国地质大学(北京);2016年

6 陈群;基于人群密度估计的视频监控技术[D];东华大学;2016年

7 张琛;人群异常行为和人脸对齐算法设计[D];华南理工大学;2015年

8 刘倩男;基于视频的人群异常检测方法研究[D];重庆大学;2016年

9 孙敏;视频监控中人群密度估计和人群异常行为识别[D];中国计量学院;2016年

10 任庆云;智能视频监控中的人群密度估计方法[D];河北师范大学;2011年

  本文关键词：视频监控中人群密度估计和人群异常行为识别，由笔耕文化传播整理发布。

，

本文编号：291914