人群异常行为检测算法研究
发布时间：2020-11-03 02:09
人群异常行为检测是使用安装在公共场所的闭路电视摄像机捕获和检测异常事件,例如斗殴,交通事故和踩踏,然后及时发出警告。它在智能监控领域具有广泛的应用。近年来,人群异常行为检测方法取得了较好发展,并有许多优秀的检测算法被提出。但是,许多挑战性问题尚未得到有效解决,例如光照变化,人群遮挡和复杂背景,导致人群异常行为检测算法的准确性和鲁棒性大大降低。因此,检测人群异常行为仍然是一项艰巨的任务。为了提高人群异常行为检测算法的准确性和鲁棒性,基于空间和运动特征表示以及深度学习工具利用,本文的主要研究工作和创新如下:(1)针对复杂背景及遮挡等原因引起人群异常行为检测性能低的问题,本文提出一种基于综合光流特征描述符(synthetic optical flow feature descriptor,SOFD)及轨迹的人群异常行为检测方法。所提方法首先根据人群光流场变化计算人群运动速度、加速度、方向和能量,并利用上述特征设计新的时空特征描述符,即SOFD;其次,利用KLT(Kanade-Lucas-Tomasi)追踪算法获得人群运动轨迹单帧图;最后,基于所获取上述特征,设计双流卷积神经网络(two stream convolutional neural networks,TS-CNN)以进行异常行为检测。仿真结果表明,与现有主流算法相比,所提算法可显著提高现实场景下的异常行为检测准确性及鲁棒性。(2)针对复杂背景及遮挡等原因引起人群异常行为检测性能低的问题,本文提出一种基于帧间特征的人群异常行为检测方法,所提方法首先根据人群光流场变化计算人群运动的瞬时加权能量,加速度值及方向差光流值并分别映射为HSV的色调值,饱和度及数值以此形成代表人群帧间运动特征的帧间显著图;最后,基于帧间显著图和单帧原图,设计TS-CNN以检测人群异常行为。仿真结果表明,与现有主流算法相比,所提算法可显著提高现实场景下的异常行为检测的准确性及鲁棒性。
【学位单位】：大连大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41
【部分图文】：
大连大学硕士学位论文-7-2人群异常行为检测相关理论知识2.1异常行为描述智能监控系统被应用于各个场所，包括机场，商场，聚会广场及社区安全防护等，然而，异常行为检测作为智能监控系统的重要组成部分，成为当前计算机视觉领域的研究热点之一。异常事件可以解释为不希望发生的事件，与正常事件或规则事件相反。在正常/常规情况下，行人更倾向于跟随与他们相邻的行人，并拥有相似的方向或速度。但当异常事件发生时，如图2.1所示，由于恐惧，人们会向相对混乱的方向逃跑，并尽可能快地逃跑以躲避潜在的危险[50]，这在一定程度上增加了踩踏死亡的可能性。图2.1异常行为Fig.2.1Abnormalbehavior2.2运动目标检测方法运动目标检测是研究场景中检测出的变化区域并从背景中提取出来。准确的运动目标检测对后面的图像处理非常重要。然而，由于现实场景中的光线变化和目标遮挡等一些干扰因素，使得运动目标的检测变得相当困难。目前，比较经典的算法有光流法[51]、帧间差分法[52]与背景减除法[53]。
大连大学硕士学位论文-8-2.2.1光流法1950年，JamesJ.Gibson（美国心理学家）提出光流是由目标物体和观察者之间的运动产生，是物体按照空间亮度模式进行运动的空间速度和变化率分布。由于光流的离散度可提供观察者得到运动目标物体空间运动序列及其运动序列空间变化率信息[51]。因此，计算光流区域中的空间离散度有助于将空间中图像的相邻帧划分为不同运动目标的空间区域以计算图像中相邻的帧之间运动目标的空间运动序列信息，综上所述，计算光流场的离散度可以应用于对运动区域中目标的检测[54]。其实，运动是三维空间的物体运动投影到平面上相对应像素点的瞬时速度，如图2.2所示：图2.2三维运动在二维平面内的投影Fig.2.2Theprojectionofathree-dimensionalmotionontoatwo-dimensionalplane确定图像的亮度变化，就可把运动目标的光流场变化作为运动目标的速度矢量场，其中，由分量u,v分别表示光流在x，y方向的运动速度分量。在视频序列中，I(x,y,t)为像素点px,y在t时刻的亮度值，像素点p在时间段dt内移到"pxdx,ydy点，其中，dxudt,dyvdt。假设足够小的时间段内图像亮度恒定不变，由此可得：Ixdx,ydy,tdtIx,y,t(2.1)将上面的公式按照一阶泰勒展开为：2,,,,IIIIxytdxdydtIxytxyt(2.2)公式两边的Ix,y,t相互抵消，同时忽略二阶无穷小项2，得到如下光流约束方程：
大连大学硕士学位论文-12-1TTuAAAbv(2.22)当TAA可逆时，即TAA是满秩。LK光流法只需指定具有某种显著特性的一组特征点进行跟踪计算，有效的减少了光流的计算量且稳定可靠。2.2.2帧间差分法帧间差分法利用视频的连续性，在帧间执行差分操作，并对差分操作后的图像执行阈值处理，从而提取图像中的运动目标[52]。图2.3帧间差分法Fig.2.3TemporalDifference帧间的差分运算如图2.3所示，设视频中第n1，n帧图像分别为n1F和nF，灰度值为,nFxy和1,nFxy。将灰度值执行差分操作并取绝对值，既得差分图像：1,|,,|nnnDxyFxyFxy(2.23)通过设置合适的灰度阈值判断视频图像中的运动区域，从而将运动目标从背景图像中提取出来。假设T为灰度值阈值，采用如下公式对图像中的任意像素阈值化处理，得到二值化图像"nR："255,D,,0,elsennxyTRxy(2.24)其中，",=255nRxy的像素点为运动区域，而",=0nRxy为背景。然后，利用连通性处理图像"nR，最终获得包括完整运动目标的图像。与其他检测算法相比，帧间差分法原理简单，计算量小，计算速度快，可快速检测出视频中的运动目标。但是，检测效果易受视频帧率影响，鲁棒性差，通常不能单独使用，应与其他算法共同使用。
【参考文献】
本文编号：2867934
【学位单位】：大连大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41
【部分图文】：
大连大学硕士学位论文-7-2人群异常行为检测相关理论知识2.1异常行为描述智能监控系统被应用于各个场所，包括机场，商场，聚会广场及社区安全防护等，然而，异常行为检测作为智能监控系统的重要组成部分，成为当前计算机视觉领域的研究热点之一。异常事件可以解释为不希望发生的事件，与正常事件或规则事件相反。在正常/常规情况下，行人更倾向于跟随与他们相邻的行人，并拥有相似的方向或速度。但当异常事件发生时，如图2.1所示，由于恐惧，人们会向相对混乱的方向逃跑，并尽可能快地逃跑以躲避潜在的危险[50]，这在一定程度上增加了踩踏死亡的可能性。图2.1异常行为Fig.2.1Abnormalbehavior2.2运动目标检测方法运动目标检测是研究场景中检测出的变化区域并从背景中提取出来。准确的运动目标检测对后面的图像处理非常重要。然而，由于现实场景中的光线变化和目标遮挡等一些干扰因素，使得运动目标的检测变得相当困难。目前，比较经典的算法有光流法[51]、帧间差分法[52]与背景减除法[53]。
大连大学硕士学位论文-8-2.2.1光流法1950年，JamesJ.Gibson（美国心理学家）提出光流是由目标物体和观察者之间的运动产生，是物体按照空间亮度模式进行运动的空间速度和变化率分布。由于光流的离散度可提供观察者得到运动目标物体空间运动序列及其运动序列空间变化率信息[51]。因此，计算光流区域中的空间离散度有助于将空间中图像的相邻帧划分为不同运动目标的空间区域以计算图像中相邻的帧之间运动目标的空间运动序列信息，综上所述，计算光流场的离散度可以应用于对运动区域中目标的检测[54]。其实，运动是三维空间的物体运动投影到平面上相对应像素点的瞬时速度，如图2.2所示：图2.2三维运动在二维平面内的投影Fig.2.2Theprojectionofathree-dimensionalmotionontoatwo-dimensionalplane确定图像的亮度变化，就可把运动目标的光流场变化作为运动目标的速度矢量场，其中，由分量u,v分别表示光流在x，y方向的运动速度分量。在视频序列中，I(x,y,t)为像素点px,y在t时刻的亮度值，像素点p在时间段dt内移到"pxdx,ydy点，其中，dxudt,dyvdt。假设足够小的时间段内图像亮度恒定不变，由此可得：Ixdx,ydy,tdtIx,y,t(2.1)将上面的公式按照一阶泰勒展开为：2,,,,IIIIxytdxdydtIxytxyt(2.2)公式两边的Ix,y,t相互抵消，同时忽略二阶无穷小项2，得到如下光流约束方程：
大连大学硕士学位论文-12-1TTuAAAbv(2.22)当TAA可逆时，即TAA是满秩。LK光流法只需指定具有某种显著特性的一组特征点进行跟踪计算，有效的减少了光流的计算量且稳定可靠。2.2.2帧间差分法帧间差分法利用视频的连续性，在帧间执行差分操作，并对差分操作后的图像执行阈值处理，从而提取图像中的运动目标[52]。图2.3帧间差分法Fig.2.3TemporalDifference帧间的差分运算如图2.3所示，设视频中第n1，n帧图像分别为n1F和nF，灰度值为,nFxy和1,nFxy。将灰度值执行差分操作并取绝对值，既得差分图像：1,|,,|nnnDxyFxyFxy(2.23)通过设置合适的灰度阈值判断视频图像中的运动区域，从而将运动目标从背景图像中提取出来。假设T为灰度值阈值，采用如下公式对图像中的任意像素阈值化处理，得到二值化图像"nR："255,D,,0,elsennxyTRxy(2.24)其中，",=255nRxy的像素点为运动区域，而",=0nRxy为背景。然后，利用连通性处理图像"nR，最终获得包括完整运动目标的图像。与其他检测算法相比，帧间差分法原理简单，计算量小，计算速度快，可快速检测出视频中的运动目标。但是，检测效果易受视频帧率影响，鲁棒性差，通常不能单独使用，应与其他算法共同使用。
【参考文献】
相关期刊论文 前1条
1 杜鉴豪;许力;;基于区域光流特征的异常行为检测[J];浙江大学学报(工学版);2011年07期
本文编号：2867934
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2867934.html
