【摘要】：已有的異常行為檢測(cè)大多采用人工特征,然而人工特征計(jì)算復(fù)雜度高且在復(fù)雜場(chǎng)景下很難選擇和設(shè)計(jì)一種有效的行為特征.為了解決這一問(wèn)題,結(jié)合堆積去噪編碼器和改進(jìn)的稠密軌跡,提出了一種基于深度學(xué)習(xí)特征的異常行為檢測(cè)方法.為了有效地描述行為,利用堆積去噪編碼器分別提取行為的外觀特征和運(yùn)動(dòng)特征,同時(shí)為了減少計(jì)算復(fù)雜度,將特征提取約束在稠密軌跡的空時(shí)體積中;采用詞包法將特征轉(zhuǎn)化為行為視覺(jué)詞表示,并利用加權(quán)相關(guān)性方法進(jìn)行特征融合以提高特征的分類能力.最后,采用稀疏重建誤差判斷行為的異常.在公共數(shù)據(jù)庫(kù)CAVIAR和BOSS上對(duì)該方法進(jìn)行了驗(yàn)證,并與其它方法進(jìn)行了對(duì)比試驗(yàn),結(jié)果表明了該方法的有效性.
[Abstract]:Most of the existing abnormal behavior detection uses artificial features, but artificial features have high computational complexity and it is difficult to select and design an effective behavior feature in complex scenarios. In order to solve this problem, an anomaly detection method based on depth learning features is proposed by combining the stack denoising encoder and the improved dense trajectory. In order to describe the behavior effectively, the stack denoising encoder is used to extract the appearance features and motion features of the behavior, and to reduce the computational complexity, the feature extraction is restricted to the space-time volume of the dense trajectory. The feature is transformed into behavioral visual word representation by word packet method, and the feature fusion is carried out by weighted correlation method to improve the classification ability of the feature. Finally, the sparse reconstruction error is used to judge the abnormal behavior. The method is verified on the common database CAVIAR and BOSS, and compared with other methods. The results show that the method is effective.
【作者單位】： 中南大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(50808025)~~
【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)博士學(xué)位論文 前2條

1 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

2 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

相關(guān)碩士學(xué)位論文 前10條

1 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

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 趙德貴;基于視頻的人體骨架建模及異常行為分析研究[D];北京理工大學(xué);2014年

，

本文編號(hào)：2390678