视觉关键词稀疏表示的全局异常事件检测研究

发布时间：2017-08-27 10:09

  本文关键词：视觉关键词稀疏表示的全局异常事件检测研究

  更多相关文章： 全局异常事件检测 HMOFP 视觉关键词 K-means聚类 稀疏表示

【摘要】：由于很多不法分子为了破坏公共秩序危害人们的生命安全,在很多人群密集的公共场所实施犯罪行为,如地铁站、火车站、商场等,其破坏力极大,所以公共安全越来越引起世界各个国家的重视,视频监控异常检测技术的研究成为该领域的主要方向之一。本文结合计算机视觉、图像处理、模式识别等相关知识,提出了HMOFP特征稀疏表示与视觉关键词稀疏表示的全局异常事件检测研究的方法,具体研究如下：(1)本文采用改进的最大光流投影直方图(HMOFP)方法提取特征,首先利用HS光流算法提取光流场,舍弃幅值过小的光流减少计算时间,然后将0°-360°平均分割为八个方向区域,光流矢量按照方向分布在八个不同的方向区域,取某方向中所有光流矢量在其角平分线上的最大投影值作为该方向的特征描述子。(2)正常行为模式字典的构建是本文的重点研究之一。本文基于特征的相似性与最大光流投影直方图特征(HMOFP)的性质,提出了一种新的字典优化算法,首先对一定数量连续的正常帧提取HMOFP特征作为正常行为模式的初始字典,然后利用K-means进行聚类,将同一类中所有特征每一行的最大值组成的列向量作为优化后字典的一个原子(也就是一列),所有类的列向量组成的矩阵构成优化后的正常行为模式字典。(3)本文提出的第二种字典构建的方法基于特征的相似性与图像的视觉关键词,同样取一定数量连续的正常帧,首先对帧图像进行分块处理,利用改进的HMOFP提取局部子区域特征,然后对所有的局部子区域特征进行K-means聚类处理,将类中心级联构成整帧图像运动信息的视觉关键词,最后所有正常帧的视觉关键词构成了正常行为模式的字典。(4)利用OMP算法与正常行为模式字典求出待测样本的稀疏表示系数,根据稀疏重构代价原理(SRC)进行异常事件检测。通过设定阈值,大于等于该阈值的判断为异常事件,小于阈值的判断为正常事件。实验结果表明,基于HMOFP特征稀疏表示的全局异常事件检测方法准确率达到91%以上；视觉关键词稀疏表示的全局异常事件检测方法准确率达到97%以上,能够有效地进行拥挤场景全局异常事件检测。
【关键词】：全局异常事件检测 HMOFP 视觉关键词 K-means聚类 稀疏表示
【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6-7
• ABSTRACT7-11
• 1 引言11-16
• 1.1 课题研究背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 国内外研究现状12-13
• 1.2.2 国外研究状况13-14
• 1.3 本文的研究内容14
• 1.4 论文的组织结构14-16
• 2 异常事件检测相关综述16-32
• 2.1 异常状态定义16
• 2.2 特征提取算法16-23
• 2.2.1 Horn-Schunck光流算法17-19
• 2.2.2 Lucas-Kanade光流算法19-21
• 2.2.3 光流直方图(HOF)21-22
• 2.2.4 本文的特征提取算法22-23
• 2.3 稀疏表示相关研究23-28
• 2.3.1 稀疏表示理论24-25
• 2.3.2 稀疏表示求解算法25-27
• 2.3.3 稀疏表示在计算机视觉中的应用27-28
• 2.4 字典的构建及优化28-31
• 2.4.1 特征相似性与视觉关键词29-30
• 2.4.2 K-means聚类算法30-31
• 2.5 本章小结31-32
• 3 基于HMOFP特征稀疏表示的全局异常事件检测32-41
• 3.1 运动特征的提取32-33
• 3.2 正常行为模式字典的构建及优化33-35
• 3.3 全局异常事件检测35-36
• 3.4 实验结果与对比分析36-40
• 3.4.1 实验数据与评价标准36-37
• 3.4.2 实验结果与分析37-39
• 3.4.3 对比分析39-40
• 3.5 本章小结40-41
• 4 视觉关键词稀疏表示的全局异常事件检测41-46
• 4.1 运动特征的提取41
• 4.2 常行为模式字典的构建41-43
• 4.3 全局异常事件检测43
• 4.4 实验结果与对比分析43-45
• 4.4.1 实验结果与分析43-44
• 4.4.2 对比分析44-45
• 4.5 本章小结45-46
• 5 总结与展望46-48
• 5.1 总结46-47
• 5.2 展望47-48
• 参考文献48-52
• 作者简历及攻读硕士/博士学位期间取得的研究成果52-54
• 学位论文数据集54

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

2 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

3 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

4 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

5 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

6 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

7 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

8 梁晓捷;基于网络摄像头与稀疏表示分类法的实时人脸识别系统应用研究[D];五邑大学;2015年

9 张宏乐;语音信号稀疏表示方法研究[D];太原理工大学;2016年

10 郭欣;基于K-SVD稀疏表示的语音增强算法研究[D];太原理工大学;2016年

，

本文编号：745272