隨著公共區(qū)域監(jiān)測儀器的快速發(fā)展,如今迫切需要全自動、無監(jiān)控的異常檢測系統(tǒng),尤其是交通監(jiān)控。高效的視頻異常檢測系統(tǒng)已成為目前不可忽視的視頻異常檢測系統(tǒng)之一。然而,交通監(jiān)控視頻中場景的多變性和事件的復(fù)雜狀態(tài)使得異常事件檢測的研究存在著一定的難度。在科技不斷進步、智能交通系統(tǒng)迅速發(fā)展的影響下,利用科學(xué)檢測技術(shù)進行交通異常的檢測研究贏得學(xué)者、專家的青睞,并取得了一些突破。但是,由于交通環(huán)境的多變性,使得現(xiàn)在所提出的一些方法在現(xiàn)實應(yīng)用中仍存在一些瓶頸,人們對于交通異常檢測系統(tǒng)的研究還有很大的開發(fā)空間。本課題是在國內(nèi)外研究成果的基礎(chǔ)上,主要對基于視頻圖像的城市交通異常事件檢測算法展開研究的。本文研究了城市交通視頻流中實時、魯棒的交通異常事件檢測算法。為了提高邊緣檢測性能,提出了一種基于圖像融合的多尺度形態(tài)與小波變換的邊緣檢測方法;另外,針對交通環(huán)境復(fù)雜下魯棒性不夠好的問題,提出了一種基于HSV和邊緣梯度信息的目標檢測方法,對傳統(tǒng)的檢測方法和對重影、空洞的問題進行改進;接著,設(shè)計了一種新的基于視頻監(jiān)控系統(tǒng)的車輛行為學(xué)習自適應(yīng)稀疏重構(gòu)方法,引用了_/1l₂正則... 

【文章來源】：廣西科技大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

稀疏表示過程

明了稀疏檢測過程。系數(shù)矩陣C 中的非零行是由圖 2-4 中圖可知，C 中非零行所對應(yīng)的那十個分辨幀幀圖像大致信息。采用周期迭代進行背景提取。在每次迭代中，使用rocess）模型從由分辨幀形成新的集合D~中求解純均值幀，使用純平均幀來反向地對D~進行改變。背景就是迭代得到的那個固定幀。該過程如圖 2-5 所示。

背景的基本信息在集合內(nèi)，純平均值比最差異常值更接近背景的基本情況。如果使用純平均值來代替最差異常值，則提取性能將得到改善。如圖 2-5 所示，已對純均值和最差異常值做好標記。其中，異常值是非背景像素的灰度值，最差異常值對于純平均值相距最遠的值的定義。一旦提取純平均幀 B 后，繼續(xù)用每個像素的純平均值替換最差異常值。替換最差異常值就意味著刪除最差值并將純均值返回到幀。實驗素材采用公共數(shù)據(jù)集 I2R 中發(fā)生在自助餐前的一段視頻。通過稀疏表示來選取適當數(shù)量的分辨幀并檢測。當所選取的分辨幀集合的幀數(shù)從 1 到 30 時，利用周期迭代獲取背景圖像。同時與獲取的標準背景進行比較，其實驗結(jié)果如圖 2-6 所示。

【參考文獻】：
期刊論文
[1]基于L1/2正則化理論的稀疏雷達成像[J]. 徐宗本,吳一戎,張冰塵,王堯.  科學(xué)通報. 2018(14)
[2]基于l2,1范數(shù)原子選擇的圖像分塊稀疏重構(gòu)[J]. 朱華,岳峻,李振波,張志旺,寇光杰.  計算機應(yīng)用研究. 2019(05)
[3]緊框架域重加權(quán)L1范數(shù)正則化圖像恢復(fù)模型[J]. 董衛(wèi)東,彭宏京.  小型微型計算機系統(tǒng). 2018(01)
[4]多尺度結(jié)構(gòu)元素形態(tài)學(xué)邊緣檢測算法的研究[J]. 朱地博,李春貴.  廣西科技大學(xué)學(xué)報. 2017(04)
[5]結(jié)合HSV與紋理特征的視頻陰影消除算法[J]. 武明虎,宋冉冉,劉敏.  中國圖象圖形學(xué)報. 2017(10)
[6]基于運動模式分析的異常行為檢測[J]. 胡湘杰,夏利民,王軍.  計算機工程與應(yīng)用. 2018(16)
[7]基于l1-l2范數(shù)的塊稀疏信號重構(gòu)[J]. 陳鵬清,黃尉.  應(yīng)用數(shù)學(xué)和力學(xué). 2017(08)
[8]基于目標分割與行為預(yù)警的視頻智能監(jiān)控[J]. 郝平.  計算機與數(shù)字工程. 2017(07)
[9]視頻車輛檢測中改進的閾值分割算法研究[J]. 張延麗,李春貴.  廣西科技大學(xué)學(xué)報. 2017(02)
[10]基于LCSCA特征與協(xié)同表示的軌跡分析算法[J]. 王麗珍,胡天睿,李策.  濟南大學(xué)學(xué)報(自然科學(xué)版). 2017(03)

博士論文
[1]基于稀疏學(xué)習的視覺目標跟蹤[D]. 馬子昂.浙江大學(xué) 2017
[2]基于稀疏表示的目標跟蹤技術(shù)研究[D]. 陳典兵.中國科學(xué)院長春光學(xué)精密機械與物理研究所 2017
[3]復(fù)雜交通視頻場景中的車輛軌跡提取及行為分析[D]. 盧勝男.長安大學(xué) 2016
[4]基于視頻處理的交通事件識別方法研究[D]. 胡宏宇.吉林大學(xué) 2010

碩士論文
[1]面向交通監(jiān)控視頻的圖像異常檢測及關(guān)鍵信息重建方法研究[D]. 林新宇.合肥工業(yè)大學(xué) 2017
[2]深度學(xué)習驅(qū)動的場景分析和語義目標解析[D]. 趙杉杉.浙江大學(xué) 2017
[3]基于監(jiān)控視頻的群體異常檢測[D]. 王文強.北京交通大學(xué) 2017
[4]視覺關(guān)鍵詞稀疏表示的全局異常事件檢測研究[D]. 曹麗莉.北京交通大學(xué) 2016
[5]視頻異常事件檢測算法設(shè)計與實現(xiàn)[D]. 劉威.江西財經(jīng)大學(xué) 2016
[6]智能視頻監(jiān)控中的目標檢測及分類技術(shù)研究[D]. 陳泓佑.西南科技大學(xué) 2016
[7]道路交通異常事件檢測及關(guān)鍵幀提取算法研究[D]. 帥丹.重慶交通大學(xué) 2016
[8]視頻運動目標跟蹤與異常檢測的研究[D]. 沈佳.杭州電子科技大學(xué) 2016
[9]基于底層特征的視頻異常事件檢測算法研究與實現(xiàn)[D]. 余昊.上海交通大學(xué) 2015
[10]基于視頻監(jiān)控的城市交通異常事件檢測算法研究[D]. 尹承祥.沈陽大學(xué) 2014



本文編號：3519789