本文選題：低秩逼近 + 視頻分析�。� 參考：《南京理工大學(xué)》2017年碩士論文

【摘要】：近年來,低秩逼近理論在模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域已得到廣泛應(yīng)用,比如:協(xié)同過濾,圖像配準(zhǔn)、視頻去噪等研究,但是很少有研究將其用于視頻序列中的異常事件檢測(cè)。本文在低秩逼近算法理論的基礎(chǔ)上,針對(duì)視頻數(shù)據(jù)的低秩特性,將低秩逼近算法改進(jìn)應(yīng)用于視頻序列中的異常事件檢測(cè)當(dāng)中。本文的主要工作和研究?jī)?nèi)容如下:(1)提出了基于低秩結(jié)構(gòu)化稀疏表示的異常事件檢測(cè)方法。如何從龐大的視頻數(shù)據(jù)中挖掘行為模式的關(guān)鍵信息而摒棄冗余內(nèi)容,以及提高異常事件的檢測(cè)效率是本文所要解決的關(guān)鍵問題。針對(duì)該問題,本文引入了低秩組稀疏編碼(LASSC)模型,提出了一種基于低秩結(jié)構(gòu)化稀疏表示的異常事件檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明,該方法提高異常事件檢測(cè)準(zhǔn)確率,并且還極大地改善時(shí)間效率。(2)提出了基于低秩結(jié)構(gòu)化稀疏表示的自適應(yīng)異常事件檢測(cè)方法�；诘椭冉Y(jié)構(gòu)化稀疏表示的異常事件檢測(cè)方法有時(shí)候會(huì)將正常測(cè)試樣本檢測(cè)為異常事件,導(dǎo)致出現(xiàn)異常事件檢測(cè)的錯(cuò)誤接收率較高的情況�？紤]到字典學(xué)習(xí)過程中的低秩信息沒有被充分利用,本文實(shí)現(xiàn)了將低秩組稀疏字典和對(duì)應(yīng)的低秩信息一起用于視頻事件重建,提出了一種基于低秩結(jié)構(gòu)化稀疏表示的自適應(yīng)異常事件檢測(cè)方法。該方法包括兩個(gè)主要階段:基于低秩結(jié)構(gòu)化稀疏表示的字典學(xué)習(xí)以及基于低秩組稀疏字典的加權(quán)視頻事件重建。實(shí)驗(yàn)結(jié)果表明,該方法在保證較高時(shí)間效率的同時(shí)還有效地提高了檢測(cè)準(zhǔn)確率。(3)實(shí)現(xiàn)了一種改進(jìn)的基于低秩結(jié)構(gòu)化稀疏表示的自適應(yīng)異常事件檢測(cè)方法。針對(duì)直接利用LASSC模型進(jìn)行字典學(xué)習(xí)導(dǎo)致時(shí)間效率不高的問題,本文把低秩組稀疏字典作為初始字典進(jìn)一步擬合目標(biāo)函數(shù),提出一種改進(jìn)的基于低秩結(jié)構(gòu)化稀疏表示的自適應(yīng)異常事件檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明,該方法在保證檢測(cè)準(zhǔn)確率的同時(shí)還提高了時(shí)間效率。
[Abstract]:In recent years, low rank approximation theory has been widely used in the fields of pattern recognition and computer vision, such as collaborative filtering, image registration, video denoising, etc. In this paper, based on the theory of low rank approximation algorithm and considering the low rank characteristic of video data, the low rank approximation algorithm is improved to detect abnormal events in video sequences. The main work and research contents of this paper are as follows: 1) an anomaly event detection method based on low rank structured sparse representation is proposed. How to mine the key information of behavior pattern from the huge video data and abandon redundant content and improve the detection efficiency of abnormal events are the key problems to be solved in this paper. In order to solve this problem, this paper introduces the low rank group sparse coding (LASSC) model, and proposes an anomaly event detection method based on low rank structured sparse representation. Experimental results show that the proposed method improves the accuracy of anomaly detection and greatly improves the time efficiency.) an adaptive anomaly event detection method based on low rank structured sparse representation is proposed. The method of anomaly event detection based on low rank structured sparse representation sometimes detects normal test samples as abnormal events, which leads to high error reception rate of abnormal event detection. Considering that the low rank information in the dictionary learning process is not fully utilized, this paper proposes a low rank sparse dictionary with the corresponding low rank information for video event reconstruction. An adaptive anomaly event detection method based on low rank structured sparse representation is proposed. The method includes two main stages: dictionary learning based on low rank structured sparse representation and weighted video event reconstruction based on low rank sparse dictionary. Experimental results show that the proposed method not only ensures high time efficiency but also improves the detection accuracy effectively. It implements an improved adaptive anomaly event detection method based on low rank structured sparse representation. In order to solve the problem of low efficiency due to the direct use of LASSC model in dictionary learning, this paper takes the low rank sparse dictionary as the initial dictionary to further fit the objective function. An improved adaptive anomaly event detection method based on low rank structured sparse representation is proposed. The experimental results show that the method not only ensures the detection accuracy but also improves the time efficiency.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 洪宇;張宇;范基禮;劉挺;李生;;基于子話題分治匹配的新事件檢測(cè)[J];計(jì)算機(jī)學(xué)報(bào);2008年04期

2 史新宏,蔡伯根;高速公路自動(dòng)事件檢測(cè)算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2001年04期

3 周林英;朱斌;趙忠杰;;基于支持向量機(jī)的高速公路事件檢測(cè)算法[J];系統(tǒng)仿真技術(shù);2010年03期

4 陳艷艷;田啟華;;公交調(diào)度系統(tǒng)事件檢測(cè)算法研究[J];北京工業(yè)大學(xué)學(xué)報(bào);2011年12期

5 郝艷哲;;京秦高速公路視頻事件檢測(cè)系統(tǒng)應(yīng)用[J];中國(guó)交通信息化;2013年04期

6 王闖舟;;提升事件檢測(cè)的商業(yè)價(jià)值[J];軟件世界;2007年20期

7 王彩琴;;基于智能分析的高速公路事件檢測(cè)系統(tǒng)的研究與開發(fā)[J];浙江統(tǒng)計(jì);2007年11期

8 王穎穎;張峗;胡乃靜;;在線新事件檢測(cè)系統(tǒng)中的性能提升策略[J];計(jì)算機(jī)工程;2008年15期

9 倉(cāng)玉;洪宇;姚建民;朱巧明;;基于時(shí)序話題模型的新事件檢測(cè)[J];智能計(jì)算機(jī)與應(yīng)用;2011年03期

10 樓曉俊;鮑必賽;劉海濤;;分布式信息融合的物聯(lián)網(wǎng)事件檢測(cè)方法[J];南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前10條

1 洪宇;張宇;范基禮;劉挺;李生;;基于子話題分治匹配的新事件檢測(cè)[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

2 劉霄;邵健;莊越挺;;基于主題模型的網(wǎng)絡(luò)突發(fā)熱點(diǎn)事件檢測(cè)[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

3 胡佳鋒;金蓓弘;陳海彪;;空間事件檢測(cè)的加速策略研究[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

4 萬濤;陳學(xué)武;王川久;;高速公路事件自動(dòng)檢測(cè)算法研究綜述[A];第一屆中國(guó)智能交通年會(huì)論文集[C];2005年

5 張闊;李涓子;吳剛;;基于關(guān)鍵詞元的話題內(nèi)事件檢測(cè)[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

6 覃頻頻;許登元;姚起宏;黃大明;;基于表決融合的高速公路事件檢測(cè)算法融合[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2006年

7 陳俊;李國(guó)輝;;擁擠視頻監(jiān)控中的事件檢測(cè)[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

8 張永忠;趙靜;;基于事件檢測(cè)算法的交通數(shù)據(jù)分析系統(tǒng)[A];中國(guó)計(jì)量協(xié)會(huì)冶金分會(huì)2008年會(huì)論文集[C];2008年

9 劉海龍;李戰(zhàn)懷;陳群;;RFID供應(yīng)鏈系統(tǒng)中的在線復(fù)雜事件檢測(cè)方法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集A輯二[C];2010年

10 周春姐;孟小峰;文潔;;Flickr中的復(fù)合事件檢測(cè)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

相關(guān)重要報(bào)紙文章 前2條

1 王闖舟;事件檢測(cè)提升服務(wù)的商業(yè)價(jià)值[N];計(jì)算機(jī)世界;2006年

2 杭州海康威視數(shù)字技術(shù)股份有限公司 浦世亮;IVS技術(shù)在城市安防系統(tǒng)中的應(yīng)用[N];計(jì)算機(jī)世界;2008年

相關(guān)博士學(xué)位論文 前4條

1 劉昌余;多媒體事件檢測(cè)中的關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2015年

2 覃頻頻;基于信息融合的高速公路事件檢測(cè)建模與仿真[D];西南交通大學(xué);2007年

3 余柳;基于移動(dòng)源數(shù)據(jù)的城市快速交通事件檢測(cè)W-CUSUM算法與評(píng)價(jià)[D];北京交通大學(xué);2010年

4 柯佳;基于語義的視頻事件檢測(cè)分析方法研究[D];江蘇大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 裴孝中;行車噪聲環(huán)境下的快速聲學(xué)事件檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 熊偉晴;基于位置信息的事件檢測(cè)[D];哈爾濱工業(yè)大學(xué);2015年

3 李旭;面向多來源新聞的領(lǐng)域事件分析[D];浙江大學(xué);2015年

4 陳斌;基于云的復(fù)雜事件檢測(cè)服務(wù)[D];浙江大學(xué);2015年

5 肖軍;基于車檢器數(shù)據(jù)的高速公路事件檢測(cè)可靠性提升技術(shù)研究[D];重慶大學(xué);2015年

6 孫方園;基于圖的中文微博災(zāi)難事件檢測(cè)[D];浙江大學(xué);2016年

7 趙偉;足球視頻精彩事件檢測(cè)算法研究[D];北京理工大學(xué);2016年

8 張玉;基于微博的突發(fā)事件檢測(cè)方法研究[D];蘭州大學(xué);2016年

9 吳維耀;制造業(yè)物聯(lián)網(wǎng)基于事件優(yōu)先級(jí)的復(fù)雜事件檢測(cè)方法研究[D];廣東工業(yè)大學(xué);2016年

10 金海;基于深度神經(jīng)網(wǎng)絡(luò)的音頻事件檢測(cè)[D];華南理工大學(xué);2016年

，

本文編號(hào)：1793866