【摘要】：基于當(dāng)今時代維護(hù)社會安全的迫切需要,國內(nèi)外學(xué)者對視頻監(jiān)控技術(shù)的研究廣泛興起。一般,基于人力的視頻監(jiān)控過程需要觀察者的連續(xù)監(jiān)控,由于信息的稀疏性以及人類難以長時間保持注意力集中,在視頻監(jiān)控工作中,人類觀察者在觀察中可能會多次錯過導(dǎo)致各種安全問題的重要事件。因此,視頻監(jiān)控技術(shù)正在朝視頻分析的方向發(fā)展,即應(yīng)用計算機(jī)對視頻流進(jìn)行自動分析。使用視頻分析技術(shù)自動分析行人行為是當(dāng)前重要研究方向。本研究對此進(jìn)行了相關(guān)調(diào)研,并在此基礎(chǔ)上,提出在監(jiān)控系統(tǒng)中利用深度學(xué)習(xí)技術(shù)自動識別行人屬性的行為分析解決方案。本研究提出了五個重要行人屬性,并基于該屬性自動描述人類行為。這些屬性包括(a)行人的全身朝向(行人移動方向),(b)行人的注意力方向/頭部姿態(tài)估計(行人觀察方向),(c)攝像機(jī)視野(FOV)中行人的距離和尺寸(高度和寬度),(d)行人存在的識別,以及(e)行人的性別識別(男性或女性)。(1)行人行動方向和意圖預(yù)測。預(yù)測行人的行動方向和意圖已經(jīng)成為人類行動認(rèn)知的主要應(yīng)用之一。在移動過程中,行人具有多種可能的視覺注意方向。應(yīng)用計算機(jī)視覺對行人的行動方向和意圖進(jìn)行預(yù)測是對行人的行為研究的主要手段。本文提出利用深度學(xué)習(xí)方法對行人頭部姿態(tài)和全身方向進(jìn)行估計�；趦蓚�擁有八方向視角的數(shù)據(jù)集分別訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)方向預(yù)測。本研究在現(xiàn)有數(shù)據(jù)集和各種場景下實際拍攝的視頻序列數(shù)據(jù)集上進(jìn)行測試實驗。實驗結(jié)果表明,本文所提出的方法成功估計了各種環(huán)境中的行人頭部姿態(tài)和身體視角。(2)行人分類�；谟嬎銠C(jī)視覺的行人分類已經(jīng)成為多年來的熱點問題。行人識別方法主要分為基于傳統(tǒng)方法的行人分類方法和基于神經(jīng)網(wǎng)絡(luò)的行人分類方法。本研究利用堆棧式稀疏自動編碼器提取包含行人對象的特征,通過圖流形排序方法借助SLIC超像素迭代生成包含行人圖像的突出特征地圖,然后輸入到堆棧式稀疏自動編碼器。最后,將利用堆棧式自動編碼器得到重建的數(shù)據(jù)傳遞到Softmax分類器中進(jìn)行分類。(3)行人尺度度量。在許多情況下,需要在實時環(huán)境中對攝像機(jī)中的行人進(jìn)行距離和尺寸計算。高效、方便的非接觸距離估計方法是行人尺度估計的主要方法。本研究提出基于數(shù)學(xué)變換的單目攝像機(jī)視野內(nèi)的行人對象距離和尺度度量方法。在估測之前,根據(jù)環(huán)境采用單次拍攝學(xué)習(xí)來調(diào)整攝像機(jī)。對于單次拍攝學(xué)習(xí),首先將L形標(biāo)記放置在最小距離處,之后再放在距攝像機(jī)一般遠(yuǎn)的距離處。在兩個放置處計算標(biāo)記的角點,并通過線性方程估測對象放置處的每個像素長度。再通過基于平均濾波器的背景減除策略獲得前景運(yùn)動對象,然后利用基于卷積神經(jīng)網(wǎng)絡(luò)的分類器將其預(yù)測為行人和非行人。最后,借助在單次學(xué)習(xí)步驟中讀取的數(shù)據(jù)估測行人的距離和尺寸。(4)行人性別預(yù)測。行人的性別是一個軟屬性,在計算機(jī)視覺的許多領(lǐng)域具有較普遍的應(yīng)用價值。目前,行人性別預(yù)測在計算機(jī)視覺中面臨巨大挑戰(zhàn)。本研究提出了基于深度學(xué)習(xí)的行人性別分類方法。在預(yù)處理階段,通過現(xiàn)有的深層分解神經(jīng)網(wǎng)絡(luò)方法對行人進(jìn)行解析,將該網(wǎng)絡(luò)的輸出二進(jìn)制掩碼應(yīng)用于圖像中,將其映射為行人全身圖像。最后將其傳遞到帶softmax分類器的堆棧式自動編碼器中進(jìn)行分類。另外,本研究提出另一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法分析行人性別。首先,借助于現(xiàn)有的深層分解神經(jīng)網(wǎng)絡(luò)方法,生成行人解析圖像。然后將無背景的解析圖像劃分為全身和上身圖像,分別輸入到用于性別預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)行人性別分類�；谝曨l數(shù)據(jù)的實驗結(jié)果表明,相比于現(xiàn)有方法,本研究所提出的視頻監(jiān)控行人識別方法具有較高的魯棒性和適用性。
[Abstract]:In general, video surveillance based on human resources requires continuous surveillance by the observer. Because of the sparsity of information and the difficulty of keeping human attention for a long time, human observers are required to monitor video surveillance. Therefore, video surveillance technology is developing towards the direction of video analysis, i.e. automatic analysis of video streams using computers. Automatic analysis of pedestrian behavior using video analysis technology is an important research direction at present. On this basis, a behavioral analysis solution is proposed to automatically identify pedestrian attributes in a monitoring system using in-depth learning technology. Five important pedestrian attributes are proposed and human behavior is described automatically based on these attributes. Posture Estimation (Pedestrian Observation Direction), (c) Distance and Size (Height and Width) of Pedestrians in Camera Vision (FOV), (d) Pedestrian Existence Recognition, and (e) Pedestrian Sex Recognition (Male or Female). (1) Pedestrian Action Direction and Intention Prediction. Prediction of Pedestrian Action Direction and Intention has become one of the main applications of human action cognition. Pedestrians have many possible visual attention directions in the course of moving. Prediction of pedestrian's direction of action and intention by computer vision is the main means of pedestrian behavior research. In this paper, depth learning method is proposed to estimate pedestrian's head posture and whole body direction. The experimental results show that the proposed method successfully estimates pedestrian head posture and body perspective in various environments. (2) Pedestrian classification. Based on the proposed method, pedestrian orientation is estimated. Pedestrian classification based on computer vision has become a hot issue for many years. Pedestrian recognition methods are mainly divided into traditional pedestrian classification methods and neural network based pedestrian classification methods. Pixels iteratively generate salient feature maps containing pedestrian images and input them to a stacked sparse automatic encoder. Finally, the reconstructed data from the stacked automatic encoder is transferred to the Softmax classifier for classification. (3) Pedestrian scale measurement. In many cases, pedestrians in the camera need to be marched in real-time environments. Line distance and dimension calculation. Efficient and convenient non-contact distance estimation method is the main method of pedestrian scale estimation. In this paper, a new method for measuring the distance and dimension of pedestrian objects in the visual field of monocular camera based on mathematical transformation is proposed. To learn, the L-shaped marker is first placed at the minimum distance, and then placed at the general distance from the camera. The corners of the marker are calculated at two locations, and the length of each pixel is estimated by the linear equation. Then the foreground moving object is obtained by the background subtraction strategy based on the average filter, and then the foreground moving object is obtained by using the background subtraction strategy based on the average filter. The classifier of convolutional neural network predicts pedestrians and non-pedestrians. Finally, pedestrians'distances and sizes are estimated by using the data read in a single learning step. (4) Pedestrian gender prediction. Pedestrian gender is a soft property and has a wide application value in many fields of computer vision. Pedestrian gender classification method based on depth learning is proposed in this paper. In the preprocessing stage, pedestrians are analyzed by the existing deep decomposition neural network method, and the output binary mask of the network is applied to the image, which is mapped to the pedestrian whole body image. In addition, another method based on deep convolution neural network is proposed to analyze pedestrian gender. Firstly, pedestrian analytical images are generated by means of the existing deep decomposition neural network method. Then the background-free analytical images are divided into whole body and upper body images, respectively. The experimental results based on video data show that the proposed method has higher robustness and applicability than the existing methods.
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TN948.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報;2006年03期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 Mudassar Raza;基于深度學(xué)習(xí)方法的行人屬性自動識別及其在監(jiān)視系統(tǒng)行為分析中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2017年

2 李彥冬;基于卷積神經(jīng)網(wǎng)絡(luò)的計算機(jī)視覺關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2017年

3 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

4 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

5 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

6 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

7 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

8 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

9 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

10 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 史曉霞;卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用分析[D];廣東工業(yè)大學(xué);2017年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

3 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

5 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

8 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

10 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：2250854