智能视频监控中人群密度分析及突发异常行为检测

发布时间：2017-07-20 02:13

  本文关键词：智能视频监控中人群密度分析及突发异常行为检测

  更多相关文章： 灰度共生矩阵 异常样本 支持向量机(SVM) 迭代训练 网格处理 像素统计 瞬时能量特征

【摘要】：当今社会环境中,人群场景逐渐普遍化、多样化、复杂化,随之而来有关人群的公共管理与公共安全问题日渐严峻,这给监管人员带了巨大的挑战。人群密度估计与突发异常行为检测是智能人群监控系统中最为重要的研究内容,国内外学者对此已做了大量的工作,但仍然存在一些问题。人群密度估计算法中,在描述人群纹理特征时,只考虑图像的整体特征而忽略了图像的局部细节,使得对图像纹理的描述不够全面,同时对人群密度等级分类器的训练过程还需进一步的优化；人群突发异常的检测算法中,多数检测模型不能较好的描述人群运动状态的变化特征,在人群突然发生异常时跟踪不及时,人群异常特征描述不显著。针对上述问题,本文分别提出了改进方法：采用融合局部与整体灰度共生矩阵(GLCM)的描述算子对人群纹理进行描述；在分类器的训练过程中,基于贝叶斯估计对异常样本进行滤除,并且改进了基于K-means聚类的迭代训练算法：对于人群突发异常检测,建立了基于瞬时能量特征的突发异常检测模型。论文的具体工作如下：1、结合前景像素特征与纹理特征的人群密度估计算法。首先根据透视模型将感兴趣的前景图像按比例进行分块,然后对分块内图像中前景像素所占比例进行统计,将特定的面积占比作为选择阈值,当小于阈值时采用基于前景像素的回归统计算法,反之则采用基于纹理特征的机器学习算法。采用融合局部与整体灰度共生矩阵(GLCM)的描述算子提取视频图像中人群的纹理特征,构成特征向量对人群密度进行分类。在训练支持向量机模型的过程中,采用基于贝叶斯估计的方法对异常样本进行滤除,然后基于改进K-means聚类的迭代训练算法训练获得人群密度等级分类器。2、基于瞬时能量特征的人群突发异常检测算法。本文提出了基于像素统计分析的运动特征点提取方法,使得提取的特征点更具有代表性,该方法首先将视频进行网格化处理,然后利用混合高斯模型建立视频的背景模型,利用背景减的方法获得前景运动区域,最后根据网格内的前景像素占比获取运动特征点。基于网格内的运动特征点构建人群的瞬时能量特征,首先利用光流法获得网格内特征点的运动矢量,然后计算网格的基本能量特征,最后建立人群的瞬时能量特征对人群突发异常进行检测。通过仿真实验得出,采用融合局部与整体灰度共生矩阵的纹理特征描述算子,平均分类准确率达到了96.2%；采用基于贝叶斯估计的方法滤除异常样本后的训练集对分类器进行训练,平均分类正确率提升至98%；采用改进K-means聚类的迭代训练方法,使得训练时间降低至2.4s,测试时间降低至43.9ms：在分别与基于动能特征和基于社会力模型的对比实验中,基于瞬时能量的人群突发异常检测算法无论是在异常发生时的响应速度还是对人群运动状态变化的描述,都显示出了突出的优越性。
【关键词】：灰度共生矩阵 异常样本 支持向量机(SVM) 迭代训练 网格处理 像素统计 瞬时能量特征
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-12
• 1 绪论12-20
• 1.1 研究背景与意义12-13
• 1.2 人群智能监控概述13-14
• 1.3 人群智能监控研究现状14-18
• 1.3.1 人群密度等级分类研究现状14-16
• 1.3.2 人群异常检测研究现状16-17
• 1.3.3 研究现状总结17-18
• 1.4 本文的工作内容及安排18-20
• 2 人群密度等级分类算法20-32
• 2.1 算法概述20-21
• 2.2 图像预处理21-25
• 2.2.1 图像子块的划分21-22
• 2.2.2 图像子块的预处理与标定22-23
• 2.2.3 融合局部与整体灰度共生矩阵的纹理特征描述23-25
• 2.3 基于前景像素统计的回归算法25-26
• 2.4 基于纹理特征的学习分类算法26-31
• 2.4.1 支持向量机模型的建立26-27
• 2.4.2 基于贝叶斯估计的异常样本滤除27-29
• 2.4.3 基于改进K-means聚类的迭代训练算法29-31
• 2.5 本章小结31-32
• 3 基于瞬时能量特征的人群异常检测32-46
• 3.1 基于像素统计分析的运动特征点提取32-39
• 3.1.1 视频图像的网格化处理33
• 3.1.2 前景运动区域检测33-37
• 3.1.3 运动特征点获取37-39
• 3.2 基于光流的运动特征提取39-42
• 3.2.1 光流法的基本原理39-40
• 3.2.2 Lucas-Kanade光流算法40-41
• 3.2.3 获取网格的运动向量41-42
• 3.3 基于瞬时能量特征的人群异常检测42-45
• 3.3.1 人群的基本能量特征42-43
• 3.3.2 人群的瞬时能量特征43-45
• 3.3.3 人群的异常检测45
• 3.4 本章小结45-46
• 4 实验与分析46-58
• 4.1 人群密度等级分类算法的实验分析46-51
• 4.1.1 纹理特征描述及总体算法性能的实验分析46-49
• 4.1.2 异常样本滤除对分类性能的影响49-50
• 4.1.3 改进迭代训练算法对训练效率的提升50-51
• 4.2 人群异常检测模型的实验分析51-57
• 4.2.1 获取视频图像瞬时能量特征52
• 4.2.2 确定异常检测相关阈值52-53
• 4.2.3 人群异常检测的实验分析53-57
• 4.3 本章小结57-58
• 5 结论与展望58-60
• 5.1 论文工作总结58-59
• 5.2 下一步工作展望59-60
• 参考文献60-63
• 作者简历63-65
• 学位论文数据集65

【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 付敏;基于卷积神经网络的人群密度估计[D];电子科技大学;2014年

2 陶茂辉;基于视频图像的人群密度估计研究[D];电子科技大学;2014年

3 张愉;视频监控场景中的人群密度估计研究[D];浙江工商大学;2015年

4 王道明;智能视频监控中人流量问题的研究[D];合肥工业大学;2015年

5 吴明仙;异常群体事件检测方法研究[D];重庆大学;2015年

6 鲁江坤;不同人群密度环境下行人检测方法研究[D];重庆大学;2015年

7 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

8 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

9 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

10 张q，

本文编号：565822