基于深度学习的人体异常行为检测算法研究
发布时间：2022-02-08 19:26
随着计算机视觉和深度学习技术的快速发展,大量国内外学者对作用于视频监控下的人体异常行为检测技术产生了浓厚的兴趣。并且随着视频数据量的迅速增长,如何快速且准确的识别异常行为成为了该领域的研究热点。人体异常行为检测过程由视频预处理、人体特征的提取与检测模型的训练、正常与异常行为的分类等部分组成。本文针对上述过程,所做具体工作总结如下:（1）KNN非参数核密度估计算法是一种常用的运动目标检测方法,它根据样本属性进行建模,使用概率密度函数对数据点进行估计,进而完成前景图像的提取。但是使用KNN非参数核密度估计算法进行运动目标检测,会出现目标提取有阴影,背景分离不彻底,目标轮廓不分明等问题。针对上述算法存在的缺点和问题,本文提出了改进的KNN非参数核密度估计算法,该算法应用K近邻非参数密度算法计算图像中像素点的概率密度,提取运动目标,同时利用高斯滤波函数,通过二维离散傅里叶的正反变换在频率域对采样的视频帧进行高通滤波,所得的图像再和前景图像进行融合,从而实现提取出更具有视觉效果的前景图像。实验结果表明,本文提出的方法得到的前景图像清除阴影效果明显,背景分离较为彻底,目标轮廓分明。（2）为了人体异...
【文章来源】：西安科技大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
传统监控方式
西安科技大学硕士学位论文8图2.1视频下的人体异常行为检测流程图具体实现细节如下：（1）预处理：把输入的视频按照特定的帧率转化为图像，可以对这些图像进行前景分离，形态学处理和尺度规范化等操作，以便得到更有价值的图像数据。（2）特征提取：对预处理后的图像数据提取特征，减少特征数据集中的属性，得到可以表示人体行为的特征。（3）模型建立：通过对特征数据的训练，学习得到符合样本分布的检测模型，用于后续处理。（4）异常检测：对测试数据同样提取特征送入训练好的模型，按照一定的判决规则得到分类结果。2.1.3行为分类算法研究当前基于视频下的人体异常行为检测算法主要分为两种：一种是传统的基于机器学习的手工提取特征方法，一种是基于深度学习的分类方法。传统的基于机器学习的方法基本都使用人工提取特征的方式，过程比较繁琐且检测准确率不高。基于深度学习的方法能够使网络模型对视频中的行为特征自行学习，这种方法既能够提取到视频序列中的深度特征，又能使检测准确率得以提高，因而得到很多学者的认可。人体异常行为检测中最重要的问题是如何选取最具有表征能力的特征。传统的基于机器学习的方法，根据人体异常动作的特点，人为的设计特征，具有先验的特点，面对不同的场景，不同的人选择的特征也不同，由此训练的模型会缺乏泛化能力。传统的手工提取特征的人体异常行为检测算法流程如图2.2所示。图2.2基于手工提取特征的人体异常行为检测算法流程图
2相关理论基础9和传统的人体异常行为检测方法相比较，深度学习方法不用繁琐的手动提取特征，它是从数据样本中自行学习行为特征并进行描述。深度学习方法对网络从下而上进行学习并提取行为特征，如图2.3所示，在模型的学习过程中，原始样本图像依次经过输入层和多隐藏层，由低层次的表示到高层次的表示，直到得到本质的特征表示。图2.3深度学习模型对样本数据的提取与表示过程2.2深度学习概述GH等人在2006年提出了深度学习(DeepLearning)这一概念，深度学习源于对人工神经网络的研究，完美的实现了自动提取特征进行学习的过程。深度学习把分散的神经元按照特定的连接方式组合成整个神经网络，模拟人脑进行学习和分析。下面对本文用到的一些深度学习原理进行概述。2.2.1神经元神经网络是由许多基本的“神经元”结构构成的，通过输入带有权值参数的值得到最后的输出结果，单个神经元的结构如图2.4所示。
【参考文献】：
期刊论文
[1]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[2]基于Faster R-CNN的人体行为检测研究[J]. 莫宏伟,汪海波. 智能系统学报. 2018(06)
[3]基于MATLAB图像处理的频率域滤波分析及应用[J]. 东红林,于莲芝. 软件导刊. 2017(10)
[4]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)
[5]人体动作行为识别研究综述[J]. 李瑞峰,王亮亮,王珂. 模式识别与人工智能. 2014(01)
[6]L1/2正则化Logistic回归[J]. 赵谦,孟德宇,徐宗本. 模式识别与人工智能. 2012(05)
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
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]基于图像序列的运动目标检测算法研究[D]. 李冠迪.重庆理工大学 2017
[3]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：3615616
【文章来源】：西安科技大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
传统监控方式
西安科技大学硕士学位论文8图2.1视频下的人体异常行为检测流程图具体实现细节如下：（1）预处理：把输入的视频按照特定的帧率转化为图像，可以对这些图像进行前景分离，形态学处理和尺度规范化等操作，以便得到更有价值的图像数据。（2）特征提取：对预处理后的图像数据提取特征，减少特征数据集中的属性，得到可以表示人体行为的特征。（3）模型建立：通过对特征数据的训练，学习得到符合样本分布的检测模型，用于后续处理。（4）异常检测：对测试数据同样提取特征送入训练好的模型，按照一定的判决规则得到分类结果。2.1.3行为分类算法研究当前基于视频下的人体异常行为检测算法主要分为两种：一种是传统的基于机器学习的手工提取特征方法，一种是基于深度学习的分类方法。传统的基于机器学习的方法基本都使用人工提取特征的方式，过程比较繁琐且检测准确率不高。基于深度学习的方法能够使网络模型对视频中的行为特征自行学习，这种方法既能够提取到视频序列中的深度特征，又能使检测准确率得以提高，因而得到很多学者的认可。人体异常行为检测中最重要的问题是如何选取最具有表征能力的特征。传统的基于机器学习的方法，根据人体异常动作的特点，人为的设计特征，具有先验的特点，面对不同的场景，不同的人选择的特征也不同，由此训练的模型会缺乏泛化能力。传统的手工提取特征的人体异常行为检测算法流程如图2.2所示。图2.2基于手工提取特征的人体异常行为检测算法流程图
2相关理论基础9和传统的人体异常行为检测方法相比较，深度学习方法不用繁琐的手动提取特征，它是从数据样本中自行学习行为特征并进行描述。深度学习方法对网络从下而上进行学习并提取行为特征，如图2.3所示，在模型的学习过程中，原始样本图像依次经过输入层和多隐藏层，由低层次的表示到高层次的表示，直到得到本质的特征表示。图2.3深度学习模型对样本数据的提取与表示过程2.2深度学习概述GH等人在2006年提出了深度学习(DeepLearning)这一概念，深度学习源于对人工神经网络的研究，完美的实现了自动提取特征进行学习的过程。深度学习把分散的神经元按照特定的连接方式组合成整个神经网络，模拟人脑进行学习和分析。下面对本文用到的一些深度学习原理进行概述。2.2.1神经元神经网络是由许多基本的“神经元”结构构成的，通过输入带有权值参数的值得到最后的输出结果，单个神经元的结构如图2.4所示。
【参考文献】：
期刊论文
[1]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[2]基于Faster R-CNN的人体行为检测研究[J]. 莫宏伟,汪海波. 智能系统学报. 2018(06)
[3]基于MATLAB图像处理的频率域滤波分析及应用[J]. 东红林,于莲芝. 软件导刊. 2017(10)
[4]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)
[5]人体动作行为识别研究综述[J]. 李瑞峰,王亮亮,王珂. 模式识别与人工智能. 2014(01)
[6]L1/2正则化Logistic回归[J]. 赵谦,孟德宇,徐宗本. 模式识别与人工智能. 2012(05)
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
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]基于图像序列的运动目标检测算法研究[D]. 李冠迪.重庆理工大学 2017
[3]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：3615616
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3615616.html
