基于深度学习的视频监控中人体异常行为研究
发布时间：2021-09-30 18:24
视频监控对维护公共场所的安全秩序发挥着重要的作用。如何处理视频监控中采集的大量信息,并对其中的异常信息进行分析和理解,是该领域的重要研究方向。目前基于计算机视觉的视频监控中异常行为识别的主要方法有:（1）BP神经网络、支持向量机等传统模式识别方法;（2）以CNN和RNN等为代表的深度学习方法。传统模式识别方法依赖于人工选取的特征,智能化程度低,识别精度不高。深度学习模型泛化能力强,特征提取自动完成。文中使用深度学习的方法分别对视频监控中跌倒和打斗两种异常行为进行了相关研究工作,具体总结如下:（1）针对视频监控中跌倒行为识别准确率不高,现有深度学习方法不能较好的把视频监控中跌倒行为的空间和时序特征有效结合起来的现象,提出基于CNN和LSTM混合模型的人体跌倒行为识别方法。该模型采用两层结构,首先,将视频以每5帧为一组输入到网络中,然后,利用CNN提取视频序列的空间特征,LSTM提取视频数据时间维度上的特征,最后,使用softmax分类器进行识别。实验表明,该方法可以有效的提高跌倒行为识别的准确率。（2）针对视频监控中打斗行为识别准确率不高,现有深度学习方法时间维度不能充分利用等问题,提出...
【文章来源】：西安科技大学陕西省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
不同场景下视频监控目前，在实际生产生活中大多应用的是传统的视频监控方式，如图1.2所示
图 1.2 传统监控方式针对传统视频监控方式存在的弊端，有必要实现视频监控的智能化以满足社会实现计算机模拟人类大脑，实现对视频监控画面的自动分析和理解，针对其中件及时报警以便于工作人员及时处理，使得损失最小化。今年来，许多专家和频信息的分析和理解进行了深入的研究，智能视频监控技术得到了进一步的发理解是使用计算机对视频数据进行处理，获取有效的信息。视频中主要有人和键要素，而人作为关注的对象之一使得视频监控中人的行为识别成为许多应用点问题。而异常行为识别是其中的一个具体子类，是直接和人的利害关系相关对于人体异常行为的研究意义更大。.2 研究意义智能视频监控中人体行为识别主要涉及到图像处理、模式识别等学科前沿技术的复杂程度以及行为模式的角度可以将人体行为分为基元行为、单人行为（比如下蹲、跌倒等）、交互行为（如握手、打斗、跟踪等）和群体性复杂行为（如场逃离的人群）四个层次[1]。本文主要针对单人行为和交互行为中较为常见的
2 相关理论与技术数关系，这个函数成为激活函数，也叫激励函数。常见的激活函数有 relu、sigmoid、tan等。图 2.2 以 same 卷积方式为例展示了卷积层的计算过程，其中红色框中为原始矩阵。卷积运算过程是计算两个相同位置元素的乘积之和，图中灰色部分计算过程如下：（1×0）+（0×0）+（-1×0）+（1×0）+（0×1）+（-1×1）+（1×0）+（0×0）+（-1×1）+1=-1<0。本例使用 relu 为激活函数，relu 公式为：g ( x ) max(0, x)(2.5根据公式（2.5），最终取值为 0。
【参考文献】：
期刊论文
[1]面向人体行为识别的深度特征学习方法比较[J]. 匡晓华,何军,胡昭华,周媛. 计算机应用研究. 2018(09)
[2]视频监控中跌倒行为识别[J]. 汪大峰,刘勇奎,刘爽,保文星,王巍. 电子设计工程. 2016(22)
[3]一种基于卷积神经网络深度学习的人体行为识别方法[J]. 王忠民,曹洪江,范琳. 计算机科学. 2016(S2)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于轨迹分析的异常行为识别与管控研究[J]. 王晓龙,郭捷,邱卫东,徐鹏,郭曼,张菡. 信息安全与通信保密. 2015(03)
博士论文
[1]视频人脸及人体行为识别关键技术研究[D]. 刘宇琦.吉林大学 2018
[2]基于视频流的运动人体行为识别研究[D]. 赵海勇.西安电子科技大学 2011
[3]视频运动人体行为识别与分类方法研究[D]. 张浩.西安电子科技大学 2011
硕士论文
[1]基于双流卷积神经网络的监控视频中打斗行为识别研究[D]. 高阳.西安理工大学 2018
[2]基于递归神经网络的人体行为识别方法研究与系统实现[D]. 李伟.哈尔滨工业大学 2017
[3]机场智能视频监控中异常行为检测与目标跟踪算法研究[D]. 王跃东.南京航空航天大学 2017
[4]基于三维视觉的手势跟踪及人机交互中的应用[D]. 狄海进.南京大学 2011
本文编号：3416415
【文章来源】：西安科技大学陕西省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
不同场景下视频监控目前，在实际生产生活中大多应用的是传统的视频监控方式，如图1.2所示
图 1.2 传统监控方式针对传统视频监控方式存在的弊端，有必要实现视频监控的智能化以满足社会实现计算机模拟人类大脑，实现对视频监控画面的自动分析和理解，针对其中件及时报警以便于工作人员及时处理，使得损失最小化。今年来，许多专家和频信息的分析和理解进行了深入的研究，智能视频监控技术得到了进一步的发理解是使用计算机对视频数据进行处理，获取有效的信息。视频中主要有人和键要素，而人作为关注的对象之一使得视频监控中人的行为识别成为许多应用点问题。而异常行为识别是其中的一个具体子类，是直接和人的利害关系相关对于人体异常行为的研究意义更大。.2 研究意义智能视频监控中人体行为识别主要涉及到图像处理、模式识别等学科前沿技术的复杂程度以及行为模式的角度可以将人体行为分为基元行为、单人行为（比如下蹲、跌倒等）、交互行为（如握手、打斗、跟踪等）和群体性复杂行为（如场逃离的人群）四个层次[1]。本文主要针对单人行为和交互行为中较为常见的
2 相关理论与技术数关系，这个函数成为激活函数，也叫激励函数。常见的激活函数有 relu、sigmoid、tan等。图 2.2 以 same 卷积方式为例展示了卷积层的计算过程，其中红色框中为原始矩阵。卷积运算过程是计算两个相同位置元素的乘积之和，图中灰色部分计算过程如下：（1×0）+（0×0）+（-1×0）+（1×0）+（0×1）+（-1×1）+（1×0）+（0×0）+（-1×1）+1=-1<0。本例使用 relu 为激活函数，relu 公式为：g ( x ) max(0, x)(2.5根据公式（2.5），最终取值为 0。
【参考文献】：
期刊论文
[1]面向人体行为识别的深度特征学习方法比较[J]. 匡晓华,何军,胡昭华,周媛. 计算机应用研究. 2018(09)
[2]视频监控中跌倒行为识别[J]. 汪大峰,刘勇奎,刘爽,保文星,王巍. 电子设计工程. 2016(22)
[3]一种基于卷积神经网络深度学习的人体行为识别方法[J]. 王忠民,曹洪江,范琳. 计算机科学. 2016(S2)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于轨迹分析的异常行为识别与管控研究[J]. 王晓龙,郭捷,邱卫东,徐鹏,郭曼,张菡. 信息安全与通信保密. 2015(03)
博士论文
[1]视频人脸及人体行为识别关键技术研究[D]. 刘宇琦.吉林大学 2018
[2]基于视频流的运动人体行为识别研究[D]. 赵海勇.西安电子科技大学 2011
[3]视频运动人体行为识别与分类方法研究[D]. 张浩.西安电子科技大学 2011
硕士论文
[1]基于双流卷积神经网络的监控视频中打斗行为识别研究[D]. 高阳.西安理工大学 2018
[2]基于递归神经网络的人体行为识别方法研究与系统实现[D]. 李伟.哈尔滨工业大学 2017
[3]机场智能视频监控中异常行为检测与目标跟踪算法研究[D]. 王跃东.南京航空航天大学 2017
[4]基于三维视觉的手势跟踪及人机交互中的应用[D]. 狄海进.南京大学 2011
本文编号：3416415
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3416415.html
