地鐵車站作為城市中場(chǎng)景復(fù)雜、人群密度高、客流流動(dòng)性大的公共場(chǎng)合,安全問題不容疏忽。如何有效地利用地鐵車站視頻監(jiān)控系統(tǒng),在復(fù)雜場(chǎng)景下實(shí)時(shí)檢測(cè)人群狀態(tài),減少群體異常行為帶來的損失,具有重要的現(xiàn)實(shí)意義。不同于傳統(tǒng)動(dòng)作檢測(cè)或分類場(chǎng)景,地鐵監(jiān)控視頻中存在人群密集,異常行為種類多但數(shù)量少等特點(diǎn),基于全監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的行為檢測(cè)模型均不能很好地滿足實(shí)際應(yīng)用需求。因此,本文基于訓(xùn)練集中只需要正常群體行為樣本的半監(jiān)督學(xué)習(xí)理論來建立群體異常行為檢測(cè)模型,并用深度學(xué)習(xí)端到端模型取代了傳統(tǒng)的人工選取特征模型。主要工作如下:1.目前主流的異常行為數(shù)據(jù)集絕大多數(shù)來源于國外,與國內(nèi)地鐵車站的實(shí)際監(jiān)控場(chǎng)景有一定的差別。本文在經(jīng)過實(shí)際調(diào)研后,選用國內(nèi)無錫地鐵三陽廣場(chǎng)站監(jiān)控視頻作為數(shù)據(jù)來源,自建了無錫地鐵數(shù)據(jù)集。該數(shù)據(jù)集中場(chǎng)景復(fù)雜,人流密集、方向不一且行為多變,能夠很好地反映國內(nèi)地鐵車站的真實(shí)監(jiān)控場(chǎng)景。2.利用卷積自編碼器具有重構(gòu)正常樣本空間和特征壓縮的性質(zhì),本文搭建了一種基于卷積自編碼器的群體異常行為檢測(cè)模型。通過時(shí)間軸上的滑動(dòng)窗口選取多張視頻幀,將多張視頻幀疊加作為卷積自編碼器的輸入,依據(jù)重構(gòu)誤差與閾值的關(guān)系來判... 

【文章來源】：東南大學(xué)江蘇省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深圳黃貝嶺站奔跑踩踏事件[5]

數(shù)量少等特點(diǎn)，基于已標(biāo)記的群體正常行為運(yùn)動(dòng)特征，分別依據(jù)概率、距離、重構(gòu)和樣本域等方式來搭建模型，在檢測(cè)階段將與該模型不匹配的事件判定為異常事件，具體可見2.3節(jié)。常用的半監(jiān)督檢測(cè)算法包括詞袋模型（BagofWords，BOW）[26]、稀疏表示（sparserepresentation）[27]、隱馬爾可夫模型（HiddenMarkovModel，HMM）[28]，單分類SVM（one-classSVM）[29]。文獻(xiàn)[30-32]中，提出了稀疏重構(gòu)代價(jià)的方法，通過正常樣本來訓(xùn)練行為字典，依據(jù)測(cè)試樣本在行為字典上的稀疏重構(gòu)損失與閾值的關(guān)系，來判斷異常事件是否發(fā)生。如圖1.3所示，文獻(xiàn)[33]首先將正常行為場(chǎng)景下的連續(xù)視頻幀均勻切割成相同的時(shí)空梯度塊（spatial-temporalgradients），通過小塊的時(shí)空梯度分布表征局部的運(yùn)動(dòng)特征，對(duì)連續(xù)的局部運(yùn)動(dòng)特征進(jìn)行聚類處理，使用隱馬爾可夫模型（HMM）建立時(shí)序關(guān)聯(lián)，耦合的HMM建立空間關(guān)聯(lián)。圖1.3基于HMM和耦合HMM的局部運(yùn)動(dòng)模式的時(shí)空關(guān)系[33]基于有監(jiān)督學(xué)習(xí)的檢測(cè)算法雖然可以獲得較好結(jié)果，但由于群體異常行為的樣本數(shù)量遠(yuǎn)遠(yuǎn)小于群體正常行為，這會(huì)導(dǎo)致樣本數(shù)量不平衡；并且群體行為種類很難一一枚舉，個(gè)別種類的事件很難代表全部異常行為。無監(jiān)督學(xué)習(xí)檢測(cè)算法不需要預(yù)先對(duì)訓(xùn)練集進(jìn)行分類，通常假設(shè)群體正常行為發(fā)生頻率要遠(yuǎn)大于群體異常行為，這對(duì)樣本數(shù)量提出了極

畚鬧饕?芯磕諶菁罷陸詘才?本文針對(duì)地鐵車站中的實(shí)際監(jiān)控場(chǎng)景，對(duì)群體異常行為的檢測(cè)進(jìn)行研究，主要研究內(nèi)容如下：1.目前主流的異常行為數(shù)據(jù)集絕大多數(shù)來源于國外，與國內(nèi)地鐵車站的實(shí)際監(jiān)控場(chǎng)景有一定的差別。本文在經(jīng)過實(shí)際調(diào)研后，選用了國內(nèi)無錫地鐵三陽廣場(chǎng)站6號(hào)口旁通道處，編號(hào)為V0110081的監(jiān)控視頻作為數(shù)據(jù)來源，自建了無錫地鐵數(shù)據(jù)集。該數(shù)據(jù)集中場(chǎng)景復(fù)雜，包含商鋪、電梯、立柱、柵欄、橫幅、廣告牌和監(jiān)控點(diǎn)等，人流密集、方向不一且行為復(fù)雜多變，能夠很好地反映國內(nèi)地鐵車站的真實(shí)監(jiān)控場(chǎng)景。圖1.4無錫地鐵數(shù)據(jù)集截圖2.針對(duì)諸如光流[30,34]、粒子流[35]和紋理[36]等傳統(tǒng)人工特征提取算法效率低、場(chǎng)景泛化能力差等缺點(diǎn)，本文搭建了一種基于卷積自編碼器的端到端異常行為檢測(cè)模型。利用卷積自編碼器能夠重構(gòu)正常信息但無法重構(gòu)異常信息這一特性，對(duì)發(fā)生群體異常行為的視頻幀進(jìn)行識(shí)別。與傳統(tǒng)的卷積自編碼器異常行為檢測(cè)模型不同，模型在解碼階段加入了重構(gòu)過去幀序列分支，使神經(jīng)網(wǎng)絡(luò)中間層學(xué)習(xí)到的信息更豐富，提高了模型的泛化能力。3.在上文搭建的卷積自編碼器檢測(cè)模型基礎(chǔ)上，本文另提出了一種基于卷積長短期記憶網(wǎng)絡(luò)（ConvolutionalLSTM，ConvLSTM）[37]改進(jìn)的模型。卷積長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)不僅可以像全連接長短期記憶網(wǎng)絡(luò)（FC-LSTM）一樣建立時(shí)序關(guān)系，還可以像卷積神

【參考文獻(xiàn)】：
期刊論文
[1]視頻異常行為識(shí)別與分級(jí)預(yù)警系統(tǒng)[J]. 楊謙,何小海,蔣俊,吳曉紅.  科學(xué)技術(shù)與工程. 2015(14)
[2]受限波爾茲曼機(jī)[J]. 張春霞,姬楠楠,王冠偉.  工程數(shù)學(xué)學(xué)報(bào). 2015(02)
[3]NiceVision IP實(shí)時(shí)視頻分析解決方案助力中國天津地鐵[J].   中國安防. 2011(06)
[4]德州儀器達(dá)芬奇技術(shù)結(jié)合ObjectVideo OnBoard實(shí)現(xiàn)數(shù)字化智能視頻監(jiān)控[J].   電子產(chǎn)品世界. 2006(10)

博士論文
[1]多任務(wù)學(xué)習(xí)的研究[D]. 李亞.中國科學(xué)技術(shù)大學(xué) 2018



本文編號(hào)：3619329