基于深度学习的异常行为识别算法研究

发布时间：2021-01-20 17:58

　　随着计算机视觉和深度学习技术飞速发展,在公共安防领域,基于深度学习的一系列智能算法拥有广阔的应用市场和巨大的研究价值。针对监控数据呈现规模巨大、存在冗余无效数据、缺乏高质量标注数据等特点,如何利用深度学习进行高效、准确的异常行为识别是重要研究课题。本文主要分为两部分来开展异常行为识别的研究工作。（1）针对重新训练Inception-v3算法耗时过长,识别率不高,在缺少高质量标注数据的情况下容易发生过拟合等问题。本文使用了一种基于预训练Inception-v3迁移学习识别算法。在特征提取阶段,使用预训练好的Inception-v3算法进行迁移学习提取特征;在预测阶段,建立三层前馈神经网络、k-近邻算法、随机森林、LightGBM、SVM、两层前馈神经网络进行行为预测,并对部分预测结果进行Average算法融合。实验结果显示:相比于重新训练Inception-v3算法,使用预训练Inception-v3算法进行迁移学习识别率更高,更不容易发生过拟合;在迁移特征的基础上,建立前馈神经网络算法预测效果优于传统机器学习算法;算法融合对异常行为识别的识别率进一步的提升。（2）针对采用单一空间流卷积... 

【文章来源】：西安科技大学陕西省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

图像识别原理

图 2.2 帧间差分法kf 和k 1f 分别对应视频帧序列中第 k 帧和第 k+1 帧的灰度图像，f ( x,y)k和 (,)1fxyk 为对应像素点的灰度矩阵。按照公式(2.1)进行像素逐点相减，然后取其绝对值，得到相应的差分图像 D( x,y)k如公式(2.1)所示。(,)(,)(,)1Dxyfxyfxykkk (2.1对差分图像逐点二值化，提前设定的阈值为 T，得到相应的二值化图像'nR 。其中，二值化为 255 的点即运动目标点，二值化为 0 的点即是背景点;最后对二值化图像'nR 进行连通性分析，得到包含完整运动目标图像nR ，如公式(2.2)所示。 DxyTDxyTRxynnn0(,)255(,)(,)'(2.22.2.2 光流法当人眼观察三维世界中目标的运动时，运动目标轮廓的运动趋势信息不断流过，会在视网膜上形成一系列动作连续变化的图像，这些连续变化的流过人体视网膜，类似一种光流过一样，因而被称为光流(Optical Flow)。光流表达了图像的变化，由于它包含了

图 2.3 IDT 算法特征提取框架中通过计算灰度图像梯度直方图获得 HOG 特征，计算包括幅度信息和方向的图得到 HOF 特征，计算光流图像梯度的直方图获得 MBH 特征，提取轨迹信息jectory 特征。2)深度学习自动提取特征：深度特征一般由深度神经网络某层输出作为提取到的图 2.4 的本文用到的 Inception-v3 网络就是以 pool3 层的输出作为提取到的深度

【参考文献】：
期刊论文
[1]智能视频监控系统中运动目标检测方法综述[J]. 王春兰.  自动化与仪器仪表. 2017(03)
[2]基于深度学习的人体行为识别算法综述[J]. 朱煜,赵江坤,王逸宁,郑兵兵.  自动化学报. 2016(06)

硕士论文
[1]面向智能视频监控系统的运动目标检测与异常行为分析[D]. 朱明凌.中国计量学院 2015



本文编号：2989506