異常事件檢測是一種計算機(jī)視覺領(lǐng)域中的熱門研究課題,異常事件檢測可以被廣泛應(yīng)用于視頻監(jiān)控、智能檢測等領(lǐng)域 該問題的突破可以帶來相當(dāng)?shù)纳鐣䞍r值和經(jīng)濟(jì)效益,比如能夠減少監(jiān)控中的人力成本,提高視頻監(jiān)控的時效性與準(zhǔn)確性。異常事件檢測是一個二分類問題,在非基于深度學(xué)習(xí)的分類方法中,稀疏表示是一種主流的方法。稀疏表示可以將訓(xùn)練樣本向量抽象為一個稀疏矩陣,該稀疏矩陣可以有效地對訓(xùn)練用樣本向量進(jìn)行線性還原�；谶@一特性,對于一個待檢測的向量,如果可以使用該稀疏矩陣有效地還原,則說明該向量與訓(xùn)練樣本是同類型的向量,反之若該稀疏矩陣不能很好地還原一個待檢測向量,說明該向量與訓(xùn)練樣本相差很大。本文從改進(jìn)HOF的光流計算方法入手,對HOF在異常事件檢測中的應(yīng)用作出改進(jìn)。計算光流場是一種進(jìn)行視頻研究時常用的分析方法。光流場表示了空間運動物體在觀察成像平面上的像素運動的瞬時速度。對一定區(qū)域內(nèi)光流場方向進(jìn)行映射和統(tǒng)計就可以得到光流直方圖HOF特征。HOF是一種泛用性強(qiáng)的特征向量,被用于模式識別、動作檢測等多種問題,同時也由于它的泛用性,導(dǎo)致HOF在被應(yīng)用于某一特定問題時有很大的改進(jìn)空間,本文通過比較使用不同的光流算法... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１?［１７］ＭＨ０Ｆ的映射過程??

方法作為對比算法之一。??作者首先提出了一種使用ＨＯＦ和ＨＯＧ特征聯(lián)合作為輸入的自編碼器，它的??機(jī)構(gòu)如圖２．３所示，是一個全連接神經(jīng)網(wǎng)絡(luò)，它的每一層都是一個全連接層，編??碼器部分一共有５層，按照順序每一層分別有２０４、２０００、１０００、５００、３０個神??經(jīng)元，解碼部分與編碼部分完全鏡像。其中，Ｈ０Ｆ與ＨＯＧ的計算方式使用了［２］??中的方法進(jìn)行計算（本文的特征提取方式同樣從這篇文章改進(jìn)而來），通過這種??計算方式，作者得到一個２０４維的特征向量。??實驗過程，首先選取一系列不包含“異常事件”的視頻，提取它們的Ｈ０Ｆ??和ＨＯＧ特征作為訓(xùn)練數(shù)據(jù)，訓(xùn)練過程中，每一個ｂａｔｃｈ會輸入灰條數(shù)據(jù)進(jìn)行訓(xùn)??練，調(diào)整輸出使輸出數(shù)據(jù)盡量與輸入數(shù)據(jù)相等，將優(yōu)化函數(shù)定義為以下函數(shù)：??＝?ａｒｇ

方法作為對比算法之一。??作者首先提出了一種使用ＨＯＦ和ＨＯＧ特征聯(lián)合作為輸入的自編碼器，它的??機(jī)構(gòu)如圖２．３所示，是一個全連接神經(jīng)網(wǎng)絡(luò)，它的每一層都是一個全連接層，編??碼器部分一共有５層，按照順序每一層分別有２０４、２０００、１０００、５００、３０個神??經(jīng)元，解碼部分與編碼部分完全鏡像。其中，Ｈ０Ｆ與ＨＯＧ的計算方式使用了［２］??中的方法進(jìn)行計算（本文的特征提取方式同樣從這篇文章改進(jìn)而來），通過這種??計算方式，作者得到一個２０４維的特征向量。??實驗過程，首先選取一系列不包含“異常事件”的視頻，提取它們的Ｈ０Ｆ??和ＨＯＧ特征作為訓(xùn)練數(shù)據(jù)，訓(xùn)練過程中，每一個ｂａｔｃｈ會輸入灰條數(shù)據(jù)進(jìn)行訓(xùn)??練，調(diào)整輸出使輸出數(shù)據(jù)盡量與輸入數(shù)據(jù)相等，將優(yōu)化函數(shù)定義為以下函數(shù)：??＝?ａｒｇ


本文編號：3406994