基于高阶特征和显著性的视频异常事件检测研究及其应用

发布时间：2017-07-07 00:11

  本文关键词：基于高阶特征和显著性的视频异常事件检测研究及其应用

  更多相关文章： 智能视频分析 视频异常事件检测 高阶特征 显著性检测 视频认证

【摘要】：近年来,随着计算机与互联网技术的飞速发展和社会各领域对安全需求的不断增长,智能视频分析技术得到了蓬勃发展。智能视频分析就是综合运用人工智能、机器学习及计算机等多学科理论与方法,对视频内容进行分析、理解,实现对异常事件的自动检测及预警,是目前大数据智能分析领域重要的研究方向之一,具有重要的理论意义和广泛的应用前景。另一方面,视频数据飞速增长,由此带来的对视频数据的安全保护问题也成为当前研究的热点。本文针对智能视频分析中的异常事件检测及其在视频安全认证领域的关键问题展开深入研究,旨在提高智能视频分析系统的效率和智能化水平。通过深入挖掘视频内容的运动属性,扩展人类视觉认知机制在视频分析领域中的应用,探寻更有效的视频事件表示与模型构建方法,提高视频异常事件检测的性能。此外,为了实现对视频的安全保护,以异常事件检测为基础,对视频认证和篡改恢复展开研究。主要工作如下:一、考虑到视频中的异常事件往往表现为运动的突变,而传统基于光流统计信息的视频描述方法通常侧重于对运动速度的描述,忽视了对速度变化情况的刻画。因此,提出基于高阶特征的视频事件表示方法,利用表征高阶运动信息的高阶特征实现对视频运动变化的描述和表达,更充分、全面地刻画视频中的运动信息。为避免跟踪算法在处理复杂、拥挤场景时的不足,提出短时光流跟踪算法获取目标的高阶运动特征。为了使提出方法适应更多的视频场景,又融合了传统的低阶特征,并通过构建回归模型在线地确定低阶和高阶特征的最优融合权重。通过在经典的全局和局部异常视频数据库上的大量实验,验证了基于高阶特征的异常检测方法的有效性。二、视频内容中的异常往往表现为视觉显著,而视觉注意机制是高效处理海量、高维度和冗余数据的有力工具,因此,提出基于空时显著性的异常事件检测方法。根据空时显著度将非显著区域去除,在此基础上进一步对异常进行检测。由于冗余内容的去除,使得高效地构建整个场景的正常事件模型成为可能,因此通过对视频内容的区域划分技术,用区域级模型代替块级模型。这不仅大大降低了模型构建的时间成本,而且有效解决了块级模型样本不充分问题,提高了检测性能。在显著度图构建方面,提出两种空间显著度图构建方法,并分别与时域显著度图融合,从空时角度全面地实现对视频显著区域的检测。两种空间显著度图构建方法如下:1.基于扩展区域对比度和有监督局部保持投影(Extended Region Contrast and Supervised Locality Preserving Projection,ERC-SLPP)的图像显著性检测模型。为增加图像显著区域与其它区域的对比度,充分利用“图像的边界多为背景”的先验,通过扩展图像边界,实现突出显著目标、抑制背景的目的。同时,考虑高维底层视觉特征之间的冗余特性及噪声问题,采用有监督局部保持投影对特征进行维数约简。为进一步提高检测性能,对基于扩展区域对比度与基于有监督局部保持投影的显著度图进行融合。大量的实验结果验证了ERC-SLPP在图像显著性检测中的有效性。2.基于改进多流形排序(Improved Multi-Manifold Ranking,IMMR)的图像显著性检测方法。从图像中的非显著区域出发,将显著性检测看成是一个多流形排序问题。使用来自于多个视角的特征协同检测显著性,并通过优化策略深入发掘各特征间的相互关系,实现在显著度图构建过程中的特征融合。在多个经典数据库上的大量实验表明,IMMR的图像显著性检测性能优于现有方法。在进行基于显著性的视频异常事件检测时,分别结合以上两种方法构建空时显著度图,在此基础上进行异常事件检测。大量的实验结果证明了提出的基于显著性的异常检测算法的优异性能。三、为了实现对视频的安全认证,提出基于异常检测的视频认证与自恢复方法。由于异常区域往往是视频中的重要及敏感区域,以“重要对象重点保护”为原则,提出分层的恢复方案,实现对异常区域的无损恢复的同时提高算法的恢复能力。为了确保嵌入前后提取的异常区域一致,使用合成帧代替原始视频帧来进行异常检测。在双重水印嵌入过程中,基于异常区域自适应地选取嵌入位置和嵌入方案,实现盲提取与自恢复。实验结果表明,该方法能够准确实现对空域、时域和空时域篡改的定位,对一定程度的空间域篡改具有很好的重构能力,且能够对异常区域实现无损恢复,有效地实现了对视频内容的安全保护。
【关键词】：智能视频分析 视频异常事件检测 高阶特征 显著性检测 视频认证
【学位授予单位】：东北师范大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-20
• 1.1 研究背景及意义10-12
• 1.2 异常检测的应用领域12-13
• 1.3 视频异常检测中的关键问题13-14
• 1.4 视频异常检测的研究现状14-16
• 1.5 本文的主要研究内容和结构安排16-20
• 1.5.1 主要研究内容16-18
• 1.5.2 结构安排18-20
• 第二章 视频异常事件检测相关方法介绍20-30
• 2.1 视频事件描述的相关方法介绍21-24
• 2.1.1 目标级描述方法21
• 2.1.2 像素级描述方法21-24
• 2.2 视频异常检测模型介绍24-29
• 2.2.1 基于概率的模型25-26
• 2.2.2 基于距离的模型26-27
• 2.2.3 基于重构的模型27-28
• 2.2.4 基于域的模型28-29
• 2.3 本章小结29-30
• 第三章 基于高阶特征的视频异常事件检测30-48
• 3.1 引言30-31
• 3.2 一阶特征提取31-32
• 3.3 高阶特征提取32-33
• 3.4 基于高阶特征的视频异常事件检测33-47
• 3.4.1 评价指标33-34
• 3.4.2 局部异常事件检测实验结果与分析34-42
• 3.4.3 全局异常事件检测实验结果与分析42-45
• 3.4.4 基于视频内容的特征融合方法45-47
• 3.5 本章小结47-48
• 第四章 基于显著性的视频异常事件检测48-82
• 4.1 引言48
• 4.2 显著性检测简介48-51
• 4.2.1 显著性检测的研究意义48
• 4.2.2 显著性检测的研究现状48-51
• 4.3 空间域显著性检测51-73
• 4.3.1 基于ERC和SLPP的空间域显著性检测51-57
• 4.3.2 基于改进多流形排序的空间域显著性检测57-63
• 4.3.3 空间域显著性检测实验结果与分析63-73
• 4.4 基于显著性的视频异常事件检测73-81
• 4.4.1 空时显著度图构建73-74
• 4.4.2 区域级模型的构建74-77
• 4.4.3 视频异常事件检测实验结果与分析77-81
• 4.5 本章小结81-82
• 第五章 基于异常检测的视频认证82-97
• 5.1 引言82-84
• 5.2 基于异常检测的视频认证84-89
• 5.2.1 双重水印嵌入84-87
• 5.2.2 篡改定位与自恢复87-89
• 5.3 实验结果与分析89-96
• 5.3.1 视觉质量评估90-91
• 5.3.2 无篡改情况下的恢复实验91-92
• 5.3.3 空间域篡改实验92-94
• 5.3.4 时间域篡改实验94-95
• 5.3.5 空时域篡改实验95-96
• 5.4 本章小结96-97
• 第六章 总结与展望97-101
• 6.1 本文工作总结97-98
• 6.2 未来研究展望98-101
• 参考文献101-110
• 致谢110-111
• 攻读博士学位期间公开发表的论文

【相似文献】

中国期刊全文数据库 前10条

1 凌坚;;“想到别人想不到的”——凸现新闻显著度漫谈[J];城市党报研究;2003年02期

2 王宇新;任志森;贾棋;郭禾;;基于显著度的非监督抠像方法[J];计算机工程;2012年05期

3 袁红星;吴少群;朱仁祥;安鹏;;融合对象性和视觉显著度的单目图像2D转3D[J];中国图象图形学报;2013年11期

4 凌坚;全力凸现新闻显著度[J];传媒观察;2003年02期

5 苏娜;张志强;刘志辉;;基于链接分析的图林博客显著度分析[J];情报资料工作;2010年01期

6 金巨波;张莉;;视觉信息的稀疏表示与显著度检测方法[J];哈尔滨师范大学自然科学学报;2014年01期

7 赵健;徐江斌;吴玲达;;基于网格显著度的视点质量计算方法[J];计算机应用研究;2009年09期

8 韩彪;杨卫英;郑玉婷;;基于图像稀疏表示视觉显著度计算的自适应尺度调整方法[J];上海大学学报(自然科学版);2012年04期

9 曾鹏;许平;;基于视觉显著度的H.264冗余片编码技术[J];江汉大学学报(自然科学版);2013年01期

10 徐兵;李振德;;一种改进的图像视觉显著性检测算法[J];广东海洋大学学报;2013年06期

中国重要会议论文全文数据库 前2条

1 叶强;李一军;;基于支持度-显著度的关联规则分类方法研究[A];管理科学与系统科学研究新进展——第8届全国青年管理科学与系统科学学术会议论文集[C];2005年

2 曹跃香;;现代汉语“V+子”式词的指称类别的认知解释[A];江西省语言学会2009年年会论文集[C];2009年

中国博士学位论文全文数据库 前4条

1 赖重远;形状部分的视觉显著度与形状编码[D];华中科技大学;2013年

2 田明辉;视觉注意机制建模及其应用研究[D];中国科学技术大学;2010年

3 石艳娇;基于高阶特征和显著性的视频异常事件检测研究及其应用[D];东北师范大学;2015年

4 张星;地标引导的城市复杂环境行人导航方法研究[D];武汉大学;2012年

中国硕士学位论文全文数据库 前8条

1 苏磊磊;基于小区域的图像显著度提取及应用研究[D];山东师范大学;2015年

2 崔小强;基于时空线索的快速视频显著度检测[D];大连理工大学;2014年

3 韩瑞峰;内容敏感的图形图像显著度检测算法研究及其应用[D];浙江工业大学;2012年

4 孙晶;基于贝叶斯模型的图像显著度检测[D];大连理工大学;2013年

5 任志森;基于显著度抠像的图像检索研究与实现[D];大连理工大学;2011年

6 许慧娟;基于数学形态学的骨架层次性分解及显著度计算与研究[D];华中科技大学;2010年

7 王君乐;视觉注意机制相关研究及其中视觉显著度与重要度间关系的量化分析[D];华南理工大学;2010年

8 张俊杰;基于和谐泛音检测的主旋律提取技术[D];上海交通大学;2007年

，

本文编号：528216