發(fā)布時(shí)間：2018-09-08 20:27

【摘要】：在經(jīng)典的計(jì)算機(jī)視覺領(lǐng)域,由于傳統(tǒng)的色彩視頻包含信息復(fù)雜,再加上由于光照變化、煙霧等不利因素的影響,使得基于傳統(tǒng)彩色視頻的異常行為檢測(cè)的效果不好,幀率很低。而紅外熱像儀熱紅外視頻由于包含信息單一,并且在夜視、煙霧和光照劇烈變化的復(fù)雜環(huán)境下仍能有效工作。因此,在本文,我們使用FLIR FC-S系列紅外熱像儀采集熱紅外視頻,并基于采集的熱紅外視頻來(lái)進(jìn)行異常行為檢測(cè)。本文的主要研究?jī)?nèi)容為:1、本文利用基于輪廓的背景減除算法,提取熱紅外視頻中的前景目標(biāo)。該方法的主要步驟為:使用基于統(tǒng)計(jì)的背景減除方法提取出感興趣的區(qū)域,然后建立輪廓顯著圖并進(jìn)行細(xì)化;使用分水嶺變換方法補(bǔ)全輪廓線;最后使用FloodFill方法填充輪廓并得到精確的前景目標(biāo)。2、本文提出了一個(gè)基于單元格的異常行為檢測(cè)算法。由于異常行為發(fā)生概率低、持續(xù)時(shí)間短而且無(wú)周期性,因此,很難對(duì)異常行為進(jìn)行建模。而本文采取的策略為:先對(duì)訓(xùn)練集和測(cè)試集的視頻提取前景,然后將這些前景劃分為網(wǎng)格,并對(duì)每個(gè)單元格提取局部特征,最后基于訓(xùn)練集的特征構(gòu)建出正常行為模型。然后,將測(cè)試集上每個(gè)單元格的特征與正常行為模型進(jìn)行對(duì)比,如果相近,就判定為正常行為,否則為異常行為。最后,本文建立了十四段包含不同異常的視頻集,并在其上進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明:本文提出的方法有效地對(duì)發(fā)生的異常行為進(jìn)行了識(shí)別和跟蹤,而且該算法在檢測(cè)異常時(shí),能將幀率保持在11fps左右,基本可以滿足日常的監(jiān)測(cè)工作。
[Abstract]:In the classical computer vision field, because the traditional color video contains the information complexity, plus because of the illumination change, the smoke and other adverse factors influence, makes the traditional color video abnormal behavior detection effect is not good, the frame rate is very low. Thermal infrared video of infrared thermal imager can work effectively in complex environment of night vision, smoke and illumination because of its single information. Therefore, in this paper, we use FLIR FC-S series infrared thermal imager to collect thermal infrared video, and based on the collected thermal infrared video to detect abnormal behavior. The main content of this paper is 1: 1. In this paper, the foreground target of thermal infrared video is extracted by using contour-based background subtraction algorithm. The main steps of the method are as follows: the region of interest is extracted from the background subtraction method based on statistics, and the salient contour map is built and refined; Finally, we use the FloodFill method to fill the contour and get the accurate foreground target. 2. In this paper, we propose a cell-based anomaly behavior detection algorithm. Because of the low probability of abnormal behavior, short duration and no periodicity, it is difficult to model abnormal behavior. The strategy adopted in this paper is: firstly extracting the foreground of the training set and the test set, then dividing these prospects into meshes, extracting local features for each cell, and finally constructing the normal behavior model based on the features of the training set. Then, the characteristics of each cell in the test set are compared with the normal behavior model. If it is close, it is judged as normal behavior, otherwise it is abnormal behavior. Finally, fourteen video sets with different exceptions are established and tested. The experimental results show that the method proposed in this paper can effectively identify and track the abnormal behavior, and the algorithm can keep the frame rate around 11fps when the anomaly is detected, which can basically satisfy the daily monitoring work.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙龍;郭立;謝錦生;劉皓;陸海先;;基于隱含主題模型的異常行為分析[J];中國(guó)科學(xué)院研究生院學(xué)報(bào);2013年03期

2 羅超宇;;基于視頻序列的人體異常行為檢測(cè)技術(shù)分析[J];電子制作;2013年18期

3 崔永艷;高陽(yáng);;基于多示例學(xué)習(xí)的異常行為檢測(cè)方法[J];模式識(shí)別與人工智能;2011年06期

4 陸海先;郭立;桂樹;謝錦生;;基于潛在主題的視頻異常行為分析[J];通信技術(shù);2012年07期

5 周維柏;李蓉;;基于軌跡特征分析的行人異常行為識(shí)別[J];電腦編程技巧與維護(hù);2010年12期

6 李曉東;凌捷;;基于視頻監(jiān)控參考量的異常行為檢測(cè)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年09期

7 姬曉飛;吳倩倩;李一波;;改進(jìn)時(shí)空特征的人體異常行為檢測(cè)方法研究[J];沈陽(yáng)航空航天大學(xué)學(xué)報(bào);2013年05期

8 桑海峰;郭昊;徐超;;基于運(yùn)動(dòng)特征的人體異常行為識(shí)別[J];中國(guó)科技論文;2014年07期

9 王傳旭;董晨晨;;基于時(shí)空特征點(diǎn)的群體異常行為檢測(cè)算法[J];數(shù)據(jù)采集與處理;2012年04期

10 沈海燕;馮云梅;史宏;;基于信息融合的客運(yùn)站人體異常行為識(shí)別研究[J];公路交通科技;2009年S1期

相關(guān)會(huì)議論文 前1條

1 王碧英;孫健敏;;公仆型領(lǐng)導(dǎo)對(duì)員工行為的影響[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前5條

1 林娜;小鼠異常行為的遺傳基礎(chǔ)研究[D];東北農(nóng)業(yè)大學(xué);2006年

2 Popoola Oluwatoyin Pius;擁擠環(huán)境下的異常行為檢測(cè)研究[D];哈爾濱工程大學(xué);2012年

3 張軍;基于視頻的運(yùn)動(dòng)人體異常行為分析識(shí)別研究[D];西安電子科技大學(xué);2009年

4 劉皓;基于條件隨機(jī)場(chǎng)模型的異常行為檢測(cè)方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

5 張毅;MANET環(huán)境中基于移動(dòng)Agent的異常行為檢測(cè)與防御[D];哈爾濱工程大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張雁冰;監(jiān)控視頻中人體異常行為檢測(cè)研究[D];深圳大學(xué);2015年

2 梁玉;基于ORB興趣點(diǎn)的異常行為檢測(cè)技術(shù)研究[D];鄭州大學(xué);2015年

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

4 許龍;視頻中的異常行為檢測(cè)與分析研究[D];上海交通大學(xué);2015年

5 姚源;視頻中異常行為發(fā)現(xiàn)方法研究及實(shí)現(xiàn)[D];電子科技大學(xué);2014年

6 王朝新;基于視頻的行人異常行為檢測(cè)技術(shù)的應(yīng)用研究[D];電子科技大學(xué);2014年

7 張海峰;陽(yáng)煤集團(tuán)視頻異常監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 張丹;視頻監(jiān)控系統(tǒng)下航站樓旅客異常行為檢測(cè)方法研究[D];南京航空航天大學(xué);2014年

9 梁琛華;視頻監(jiān)控中的人體異常行為識(shí)別[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

10 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

，

本文編號(hào)：2231606