基于深度学习的监控视频中的异常事件检测和对象识别

发布时间：2021-09-01 17:49

　　近年来,国内物联网概念和深度学习的兴起使得人工智能开始渗透到生活的各个领域。而安防产业,作为维护社会稳定和人们人身安全的重要手段,因人工智能的产业赋能而得到长足的发展。为了持续推动安防产业的发展,我国提出了平安城市的概念。建设平安城市的基础是信息感知,构建出全面立体的安防监控网络是必不可少的手段。因此视频监控技术得到越来越广泛的应用,大量的监控设备部署在校园、街道和小区等公共场所,产生了海量的监控视频数据。然而传统的视频监控技术多数只提供采集、存储和回看功能,存在诸多弊端。当下随着人工智能的发展,如何智能地分析处理海量视频数据,从中提取出有用的信息,并对视频中的目标进行识别,成为人工智能领域的热点研究问题。本论文针对异常事件检测、不同分辨率人脸识别和行人重识别等问题开展研究工作,主要有:（1）监控视频中的异常事件检测,比如打斗、追逐或人群聚集等事件;（2）监控视频中异常或者可疑行人的身份识别。深度学习在图像识别,语音识别等领域取得巨大进展,为监控视频的智能处理提供了契机,本文以深度学习为工具,开展的研究工作和主要创新如下:1.对于监控视频中异常事件的检测问题,提出了一种基于自适应自编码... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：118 页

【学位级别】：博士

【部分图文】：

图２．１神经网络示例??

隐含层中恢复原始输入。为了有效地恢复原始数据，并提取出有效的特征表达，??需要针对不同的应用场景对代价函数加入相应的正则化项。其中编码和解码的??程如下：??Ｖ?＝?１０＾２：?＋?６ｉ??（２．１０）??ｉ?＝?ｗｊｆ（ｙ）?＋?ｂ２??中Ｍ代表输入层到隐含层的连接权值，即编码器的权值矩阵；奶代表隐含层??到输出层的连接权值，即解码器的权值矩阵；／（ｙ）代表激活函数，对隐含层的??出进行非线性激活，使模型具有非线性表达能力，一般使用ｓｉｇｍｏｉｄ或者Ｔａｎｈ??激活函数。自编码器通常使用均方差代价函数，对代价函数加入不同的正则化限??制能够生成不同类型的自编码器。对编码器加上稀疏性的限制，可以生成稀疏自??码器，对训练集的统计特性会有比较好的响应；对输入加入噪声干扰，然后计??算输出和原始输入的误差，可以得到降噪自编码器，能够强制模型学习出训练集??的分布信息，并对噪声有一定抗干扰能力；对编码器的梯度加以限制，使得输入??小幅变化时编码器权值基本保持不变，可以得到压缩自编码器。??对于分布较为简单的训练数据集，单层的自编码器即可学习出有效的特征??

第２章相关研宄方法??没有得到进一步发展。在２０１２年，卷积神经网络在ＩｍａｇｅＮｅｔ竞赛中取得第一．??的成绩，自此卷积神经网络在图像识别领域取得了飞速发展。卷积神经网络一??包含三种基本操作：卷积，激活和池化。卷积是一种线性数学运算，图２．４展??了输入２Ｄ矩阵与卷积核进行卷积操作基本过程；激活操作通常选取非线性激??函数，如ｓｉｇｍｏｉｄ、ｔａｎｈ或ＲｅＬＵ等函数，以提高模型的非线性表达能力；池??操作是将输出中特定位置的值替换为该点特定范围内数值的数学统计值的过??。卷积操作利用了三个重要的思想来提高卷积神经网络的表达能力［３４］：稀疏??Ｉｎｐｕｔ???


本文编号：3377417