本文選題：智能監(jiān)控 + 目標(biāo)檢測(cè)　； 參考：《西安建筑科技大學(xué)》2017年碩士論文

【摘要】：為了解決傳統(tǒng)視頻監(jiān)控工作效率低下、耗費(fèi)人力物力等問(wèn)題,本文通過(guò)對(duì)視頻數(shù)據(jù)流的分析,自動(dòng)實(shí)現(xiàn)場(chǎng)景中的目標(biāo)檢測(cè),并在此基礎(chǔ)上進(jìn)行目標(biāo)行為分析、識(shí)別和理解,實(shí)現(xiàn)在監(jiān)控場(chǎng)景下發(fā)生異常行為的智能監(jiān)控和處理。具體的工作如下:1)根據(jù)幾種經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)算法構(gòu)建一個(gè)框架,該框架在考慮性能和設(shè)計(jì)時(shí)間成本的情況下,隨著場(chǎng)景的變化,自適應(yīng)地選擇最優(yōu)算法參數(shù)組合對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè),并且運(yùn)行時(shí)間能夠根據(jù)實(shí)時(shí)輸入進(jìn)行自適應(yīng)調(diào)節(jié)。有效解決不同場(chǎng)景下運(yùn)動(dòng)目標(biāo)檢測(cè)效果差異明顯的問(wèn)題,從而增強(qiáng)檢測(cè)算法的通用性。2)提出一種基于模糊迭代自組織數(shù)據(jù)分析聚類(lèi)結(jié)合直方圖熵值算法對(duì)異常行為進(jìn)行檢測(cè)。該算法通過(guò)模糊迭代自組織數(shù)據(jù)分析聚類(lèi)方法獲取視頻關(guān)鍵幀并分類(lèi),從而減少計(jì)算復(fù)雜度。對(duì)三種異常行為進(jìn)行建模,根據(jù)分類(lèi)結(jié)果和建立的異常行為模型,采用直方圖熵值作為總特征對(duì)異常行為進(jìn)行檢測(cè),并與方向梯度直方圖結(jié)合支持向量機(jī)的異常行為檢測(cè)算法進(jìn)行比較分析。3)在不同場(chǎng)景下,分別對(duì)三種異常行為的運(yùn)動(dòng)特征進(jìn)行分析,獲取異常行為特征參數(shù)。設(shè)定三種異常行為判定準(zhǔn)則,將異常行為檢測(cè)模型所定義的規(guī)則存儲(chǔ)到數(shù)據(jù)庫(kù)中,建立異常行為規(guī)則庫(kù),給出異常行為規(guī)則匹配流程,分析檢測(cè)出的異常行為是否與規(guī)則匹配。實(shí)驗(yàn)表明,所建立的異常行為規(guī)則庫(kù)能夠識(shí)別出具體異常行為。綜上所述,在智能視頻監(jiān)控系統(tǒng)中構(gòu)造的自適應(yīng)檢測(cè)算法框架能夠解決單個(gè)檢測(cè)算法通用性不強(qiáng)的問(wèn)題,文中提出的模糊迭代自組織數(shù)據(jù)分析聚類(lèi)結(jié)合直方圖熵值的異常行為檢測(cè)算法相對(duì)于方向梯度直方圖結(jié)合支持向量機(jī)算法檢測(cè)準(zhǔn)確率更高,建立的異常行為規(guī)則庫(kù)能夠匹配出異常行為。該異常行為識(shí)別算法可以有效地提高監(jiān)控的效率,對(duì)維護(hù)社會(huì)治安的穩(wěn)定具有實(shí)際應(yīng)用價(jià)值。
[Abstract]:In order to solve the problems of low efficiency of traditional video surveillance and the cost of manpower and material resources, this paper analyzes the video data flow, realizes the target detection in the scene automatically, and on this basis carries on the target behavior analysis, the recognition and the understanding.Realize the intelligent monitoring and processing of abnormal behavior in the monitoring scene.The specific work is as follows: 1) based on several classical moving target detection algorithms, a framework is constructed, which takes into account the performance and design time cost, as the scene changes.The optimal algorithm parameters are selected adaptively to detect the moving target, and the running time can be adjusted adaptively according to the real-time input.In order to enhance the generality of the detection algorithm, an algorithm based on fuzzy iterative self-organizing data clustering and histogram entropy algorithm is proposed to detect abnormal behavior.The algorithm uses fuzzy iterative self-organizing data analysis clustering method to obtain video key frames and classify them, thus reducing the computational complexity.According to the classification results and the established abnormal behavior model, the histogram entropy is used as the general feature to detect the abnormal behavior.And compared with the direction gradient histogram and support vector machine anomaly detection algorithm. 3) in different scenarios, the motion characteristics of three abnormal behaviors are analyzed, and the abnormal behavior feature parameters are obtained.The rules defined by the anomaly detection model are stored in the database, the abnormal behavior rule base is established, the matching flow of the abnormal behavior rule is given, and whether the detected abnormal behavior matches with the rule is analyzed.The experimental results show that the rule base of abnormal behavior can recognize the specific abnormal behavior.To sum up, the adaptive detection algorithm framework constructed in the intelligent video surveillance system can solve the problem that the single detection algorithm is not universal enough.The proposed fuzzy iterative self-organizing data analysis clustering combined with histogram entropy detection algorithm is more accurate than the directional gradient histogram combined with support vector machine algorithm.The rule base of abnormal behavior can match the abnormal behavior.The algorithm can effectively improve the efficiency of monitoring and has practical application value in maintaining the stability of public order.
【學(xué)位授予單位】：西安建筑科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41;TN948.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周書(shū)仁;王剛;徐岳峰;;改進(jìn)型HLBP紋理特征的行人檢測(cè)[J];計(jì)算機(jī)工程與科學(xué);2016年05期

2 李慶武;仇春春;俞楷;周亮基;;基于多尺度聚合通道特征的實(shí)時(shí)行人檢測(cè)[J];電子測(cè)量與儀器學(xué)報(bào);2015年11期

3 劉卓亞;;圖像去噪技術(shù)綜述[J];科技信息;2013年15期

4 高山;祖辰;張道強(qiáng);;一種基于約束的中垂面相似度準(zhǔn)則[J];計(jì)算機(jī)研究與發(fā)展;2012年11期

5 瞿中;高騰飛;張慶慶;;一種改進(jìn)的視頻關(guān)鍵幀提取算法研究[J];計(jì)算機(jī)科學(xué);2012年08期

6 蘇松志;李紹滋;陳淑媛;蔡國(guó)榕;吳云東;;行人檢測(cè)技術(shù)綜述[J];電子學(xué)報(bào);2012年04期

7 葉鋒;范曼曼;鄭子華;尹鵬;;一種改進(jìn)的基于平均背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

8 曾巒;王元?dú)J;譚久彬;;改進(jìn)的SIFT特征提取和匹配算法[J];光學(xué)精密工程;2011年06期

9 曾令明;;基于移動(dòng)幀測(cè)的廣播電視視頻靜幀自動(dòng)切換系統(tǒng)[J];視聽(tīng);2011年05期

10 葉林;陳岳林;林景亮;;基于HOG的行人快速檢測(cè)[J];計(jì)算機(jī)工程;2010年22期

相關(guān)博士學(xué)位論文 前3條

1 于成龍;基于視頻的人體行為識(shí)別關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

2 儲(chǔ)亞偉;黎曼流形的特征值問(wèn)題與剛性問(wèn)題的研究[D];鄭州大學(xué);2013年

3 夏東;智能視頻監(jiān)控中目標(biāo)檢測(cè)、跟蹤和識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 邱天宇;基于增量高斯混合模型的在線密度估計(jì)研究[D];南京大學(xué);2016年

2 陳雷;基于自適應(yīng)背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[D];北京交通大學(xué);2016年

3 趙興方;基于GPU并行計(jì)算的智能視頻分析技術(shù)[D];南京航空航天大學(xué);2016年

4 周潔;智能視頻監(jiān)控中人群異常行為的檢測(cè)與分析[D];寧波大學(xué);2015年

5 朱明凌;面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)與異常行為分析[D];中國(guó)計(jì)量學(xué)院;2015年

6 陳崗;治安監(jiān)控中基于計(jì)算機(jī)視覺(jué)的異常行為檢測(cè)技術(shù)研究[D];上海交通大學(xué);2015年

7 李麗紅;基于支持向量機(jī)車(chē)輛檢測(cè)的算法[D];江西師范大學(xué);2014年

8 吳天心;智能視頻監(jiān)控中的幾個(gè)關(guān)鍵問(wèn)題[D];西安電子科技大學(xué);2013年

9 趙建;基于三幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[D];西安電子科技大學(xué);2013年

10 裴巧娜;基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)[D];北方工業(yè)大學(xué);2009年

，

本文編號(hào)：1753917