本文選題：異常檢測(cè) + 多特征提取　； 參考：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年碩士論文

【摘要】：隨著社會(huì)的發(fā)展與進(jìn)步,越來(lái)越多的社會(huì)安全問(wèn)題也隨之出現(xiàn)。如何避免與及時(shí)應(yīng)對(duì)突發(fā)公共事件作為公共安全的重要議題被學(xué)術(shù)界及工業(yè)界廣泛研究,進(jìn)而產(chǎn)生了多種多樣的安防機(jī)制及相應(yīng)的技術(shù)。視頻監(jiān)控技術(shù)作為被廣泛使用的監(jiān)管技術(shù),在多個(gè)方面起到了至關(guān)重要的作用。然而目前的通用監(jiān)控技術(shù)仍然存在各種各樣的問(wèn)題。作為計(jì)算機(jī)視覺(jué)的重要范疇,對(duì)監(jiān)控視頻內(nèi)容的分析從發(fā)展之初便受到學(xué)術(shù)界的關(guān)注。視頻內(nèi)容的分析主要包括目標(biāo)檢測(cè)、目標(biāo)識(shí)別、目標(biāo)追蹤等幾大領(lǐng)域。本文主要針對(duì)監(jiān)控視頻中的異常行為檢測(cè)問(wèn)題,首先對(duì)異常的基本概念和基礎(chǔ)理論進(jìn)行了簡(jiǎn)單介紹,綜述和分析了國(guó)內(nèi)外的研究現(xiàn)狀和主流算法,隨后提出了針對(duì)全局和局部異常檢測(cè)的算法,并分別對(duì)算法的具體實(shí)施和測(cè)試結(jié)果進(jìn)行了相關(guān)的分析。本文的研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:1.提出了基于多特征提取的局部異常檢測(cè)算法。傳統(tǒng)的異常檢測(cè)算法通�；\統(tǒng)地對(duì)異常進(jìn)行統(tǒng)一的特征提取,這將造成運(yùn)動(dòng)信息的不合理使用甚至丟失,進(jìn)而造成對(duì)異常檢測(cè)的高誤檢率。本文通過(guò)構(gòu)建局部異常的特征模型,將局部異常進(jìn)一步劃分為速度異常、形態(tài)異常及位置異常,并為每一類(lèi)異常分別進(jìn)行特征的提取和檢測(cè),并最終得到統(tǒng)一性的異常得分。實(shí)驗(yàn)結(jié)果證明了這種分類(lèi)方式是合理而具有優(yōu)勢(shì)的。2.提出了基于分裂合并聚類(lèi)算法的前景目標(biāo)提取方案。傳統(tǒng)的局部異常檢測(cè)特征提取方案通常將視頻序列劃分為固定大小規(guī)則形狀的塊(二維)或體(三維),這種劃分方式會(huì)產(chǎn)生對(duì)目標(biāo)的錯(cuò)誤分割及誤判率增加等問(wèn)題。本文通過(guò)多次限制性迭代,在每一步迭代中不斷分裂不符合樣本模型的前景區(qū)域,并合并相似性區(qū)域,實(shí)現(xiàn)對(duì)前景的有效分割,提取出單個(gè)或多個(gè)重疊目標(biāo)的前景,在此區(qū)域內(nèi)實(shí)現(xiàn)特征提取等操作。這一方案對(duì)特征區(qū)分度的影響較大,因此也是決定整體算法有效性的關(guān)鍵因素。3.改進(jìn)了 NSH分類(lèi)算法。原有NSH算法盡管可以實(shí)現(xiàn)異常數(shù)據(jù)的檢測(cè),然而其在尋找最優(yōu)參數(shù)時(shí)效率較低且魯棒性較差。本文提出的INSH算法通過(guò)在原有二分類(lèi)算法框架基礎(chǔ)上重新定義目標(biāo)函數(shù)和重新設(shè)計(jì)凸包解決方案,實(shí)現(xiàn)比原有算法更優(yōu)的分類(lèi)檢測(cè)結(jié)果。4.提出了基于全局動(dòng)能的全局異常檢測(cè)算法。傳統(tǒng)的全局異常檢測(cè)算法大多模型復(fù)雜、檢測(cè)效果不盡如人意。本文通過(guò)分析大規(guī)模運(yùn)動(dòng)特點(diǎn)提出了基于全局動(dòng)能差的全局異常檢測(cè)算法,算法通過(guò)構(gòu)建全局動(dòng)能進(jìn)而計(jì)算動(dòng)能差實(shí)現(xiàn)全局異常的檢測(cè),實(shí)驗(yàn)證明該方法時(shí)間成本較低且而行之有效的。
[Abstract]:With the development and progress of society, more and more social security problems appear. How to avoid and respond to unexpected public events as an important issue of public safety has been extensively studied by academia and industry, which has resulted in a variety of security mechanisms and corresponding technologies. As a widely used technology, video surveillance plays an important role in many aspects. However, there are still various problems in the current universal monitoring technology. As an important category of computer vision, the analysis of surveillance video content has been concerned by academia since the beginning of its development. Video content analysis mainly includes target detection, target recognition, target tracking and so on. This paper focuses on the detection of abnormal behavior in surveillance video. Firstly, the basic concepts and theories of anomaly are briefly introduced, and the current research situation and mainstream algorithms at home and abroad are summarized and analyzed. Then an algorithm for global and local anomaly detection is proposed, and the implementation and test results of the algorithm are analyzed respectively. The contents and innovations of this paper are as follows: 1. A local anomaly detection algorithm based on multi-feature extraction is proposed. The traditional anomaly detection algorithm usually carries on the unified feature extraction to the anomaly in general, which will cause the unreasonable use and even the loss of the motion information, and then cause the high error detection rate of the anomaly detection. In this paper, the local anomaly is further divided into velocity anomaly, morphological anomaly and location anomaly by constructing the feature model of the local anomaly, and the feature extraction and detection for each kind of anomaly are carried out respectively, and finally the unified anomaly score is obtained. The experimental results show that this classification method is reasonable and has advantages. 2. A foreground target extraction scheme based on split merge clustering algorithm is proposed. The traditional local anomaly detection feature extraction scheme usually divides the video sequence into blocks (2D) or volume (3D) with fixed size and regular shape. This partitioning method will result in the problem of target segmentation and the increase of misjudgment rate. In this paper, through multiple restrictive iterations, the foreground regions which do not conform to the sample model are split continuously in each iteration, and the similarity regions are merged to realize the effective segmentation of the foreground, and the foreground of single or multiple overlapping targets is extracted. In this region, feature extraction and other operations are implemented. This scheme has a great influence on the classification of features, so it is also a key factor to determine the effectiveness of the whole algorithm. The NSH classification algorithm is improved. Although the original NSH algorithm can detect abnormal data, it is less efficient and less robust in finding the optimal parameters. The INSH algorithm proposed in this paper redefines the objective function and redesigns the convex hull solution on the basis of the original two-classification algorithm framework to achieve a better classification detection result than the original algorithm .4. A global anomaly detection algorithm based on global kinetic energy is proposed. Most of the traditional global anomaly detection algorithms are complex, and the detection results are not satisfactory. In this paper, a global anomaly detection algorithm based on global kinetic energy difference is proposed by analyzing the characteristics of large scale motion. The algorithm realizes global anomaly detection by constructing global kinetic energy and calculating kinetic energy difference. Experiments show that the time cost of this method is low and effective.
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)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

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬安光;;棋子問(wèn)題的算法分析——2003年第11期題解[J];程序員;2004年01期

2 馮舜璽;;新書(shū)推薦:《算法分析導(dǎo)論》[J];計(jì)算機(jī)教育;2006年05期

3 張力,慕曉冬;計(jì)算機(jī)算法分析淺談[J];武警工程學(xué)院學(xué)報(bào);2002年04期

4 馬安光;;飛彈問(wèn)題的算法分析——2003年第10期題解[J];程序員;2003年12期

5 蘇運(yùn)霖;;《算法分析導(dǎo)論》評(píng)介[J];計(jì)算機(jī)教育;2006年07期

6 朱力強(qiáng);;培養(yǎng)學(xué)生創(chuàng)新思維與能力的算法分析案例[J];計(jì)算機(jī)與信息技術(shù);2007年11期

7 汪菊琴;;幾種常見(jiàn)特殊方陣的算法分析與實(shí)現(xiàn)[J];無(wú)錫職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年05期

8 李涵;;“算法分析與設(shè)計(jì)”課程教學(xué)改革和實(shí)踐[J];中國(guó)電力教育;2010年16期

9 劉寧;管濤;;淺析案例教學(xué)法在算法分析與設(shè)計(jì)課程中的應(yīng)用[J];科技風(fēng);2011年07期

10 胡峰;王國(guó)胤;;“算法分析與設(shè)計(jì)”教學(xué)模式探索[J];當(dāng)代教育理論與實(shí)踐;2011年12期

相關(guān)會(huì)議論文 前10條

1 俞洋;田亞菲;;一種新的變步長(zhǎng)LMS算法及其仿真[A];通信理論與信號(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

2 周顥;劉振華;趙保華;;構(gòu)造型的D~2FA生成算法[A];中國(guó)通信學(xué)會(huì)通信軟件技術(shù)委員會(huì)2009年學(xué)術(shù)會(huì)議論文集[C];2009年

3 賴(lài)桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類(lèi)算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

4 劉遠(yuǎn)新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺(tái)下物流運(yùn)輸配送系統(tǒng)算法分析[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 王樹(shù)西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國(guó)學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2004年

6 王萬(wàn)青;張曉輝;;改進(jìn)的A~*算法的高效實(shí)現(xiàn)[A];2009全國(guó)測(cè)繪科技信息交流會(huì)暨首屆測(cè)繪博客征文頒獎(jiǎng)?wù)撐募痆C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類(lèi)算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實(shí)現(xiàn)敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實(shí)現(xiàn)基于程序結(jié)構(gòu)的主變?cè)治鯷A];第五屆中國(guó)測(cè)試學(xué)術(shù)會(huì)議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計(jì)的修正Rife算法及其FPGA實(shí)現(xiàn)[A];全國(guó)第十屆信號(hào)與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前1條

1 科文;VIXD算法分析Web異常[N];中國(guó)計(jì)算機(jī)報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 魏哲學(xué);樣本斷點(diǎn)距離問(wèn)題的算法與復(fù)雜性研究[D];山東大學(xué);2015年

2 劉春明;基于增強(qiáng)學(xué)習(xí)和車(chē)輛動(dòng)力學(xué)的高速公路自主駕駛研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 張敏霞;生物地理學(xué)優(yōu)化算法及其在應(yīng)急交通規(guī)劃中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

4 李紅;流程挖掘算法研究[D];云南大學(xué);2015年

5 卜晨陽(yáng);演化約束優(yōu)化及演化動(dòng)態(tài)優(yōu)化求解算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

6 陳拉明;基于非凸優(yōu)化的稀疏重建理論與算法[D];清華大學(xué);2016年

7 劉新旺;多核學(xué)習(xí)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學(xué);2006年

9 曾國(guó)強(qiáng);改進(jìn)的極值優(yōu)化算法及其在組合優(yōu)化問(wèn)題中的應(yīng)用研究[D];浙江大學(xué);2011年

10 肖永豪;蜂群算法及在圖像處理中的應(yīng)用研究[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 黃廈;基于改進(jìn)蟻群算法的柔性作業(yè)車(chē)間調(diào)度問(wèn)題研究[D];昆明理工大學(xué);2015年

2 李平;基于Hadoop的信息爬取與輿情檢測(cè)算法研究[D];昆明理工大學(xué);2015年

3 趙官寶;基于位表的關(guān)聯(lián)規(guī)則挖掘算法研究[D];昆明理工大學(xué);2015年

4 殷文華;移動(dòng)容遲網(wǎng)絡(luò)中基于社會(huì)感知的多播分發(fā)算法研究[D];內(nèi)蒙古大學(xué);2015年

5 徐翔燕;人工魚(yú)群優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2015年

6 李德福;基于小世界模型的啟發(fā)式尋路算法研究[D];華中師范大學(xué);2015年

7 鄭海彬;一種面向MAPREDUCE的DATASHUFFLE的優(yōu)化方法[D];蘇州大學(xué);2015年

8 趙曉寒;輪換步長(zhǎng)PSO算法及SMVSC參數(shù)優(yōu)化[D];沈陽(yáng)理工大學(xué);2015年

9 安豐洋;基于無(wú)線網(wǎng)絡(luò)的廣播算法研究[D];曲阜師范大學(xué);2015年

10 李智明;基于改進(jìn)FastICA算法的混合語(yǔ)音盲分離[D];上海交通大學(xué);2015年

，

本文編號(hào)：1855509