在智能化深入普及和公共安全被高度重視的今天,人們對于智能視頻監(jiān)控系統(tǒng)尤其是具有實現(xiàn)實時性海量視頻數(shù)據(jù)處理能力的智能監(jiān)控系統(tǒng)有迫切需求,視頻異常檢測技術持續(xù)成為圖像處理、機器視覺的研究重點與熱點,且在社會生活中發(fā)揮著越來越重要的作用。針對視頻監(jiān)控系統(tǒng)對于實時性視頻大數(shù)據(jù)處理能力的需求,該文在深度學習卷積神經(jīng)網(wǎng)絡基礎上,對監(jiān)控視頻中異常目標的檢測和定位進行了研究,主要研究內(nèi)容包括以下幾點:首先,針對擁擠場景下的異常目標檢測與定位問題,提出基于并聯(lián)雙流三維卷積神經(jīng)網(wǎng)絡的視頻監(jiān)控異常目標檢測與定位算法。針對視頻序列中大量背景信息及有效信息分布不均勻的情況,采用光流結合非均勻的細胞分割對視頻的運動目標進行提取并得到空間尺寸大小不同的時空興趣塊。針對不同異常動作被學習識別所需時間不同,采用并聯(lián)雙流三維卷積神經(jīng)網(wǎng)絡分別從7幀和3幀兩種幀長度興趣塊進行學習,最后通過對不同幀長時空興趣塊異常判別結果的融合得到最終異常檢測結果。其次,為提高異常檢測算法對數(shù)據(jù)的自適應能力,降低對應用場景具有局限性,提出時空深度特征近鄰傳播聚類算法（Affinity Propagation Clustering,AP）的稀疏... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

視頻異常檢測數(shù)據(jù)庫正常及異常幀示例

{0yY 非均勻細胞分割單元格結構設置原理示意絡表示提供了新思路，例如文獻[29]提息和視頻序列的光流圖在同一網(wǎng)絡結依舊是基于手工特征，在一定程度上3D 獲得視頻連續(xù)幀的時空特征，C3D信息進行卷積操作，符合視頻本身的征。

第 4 章 時空深度特征 AP 聚類的稀疏表示視頻監(jiān)控異常目標檢測與定位算法二維圖像的空間深度特征還包含對于速度等進行描述的時域特征，也就是說特征從時間域和空間域同時對視頻塊進行描述和表示，因此對視頻信息的表示更為準確。在視頻異常檢測中，異常種類多樣，不同的異常動作被識別需要的時間不同。過于短時間會導致動作表示不充分，但過長的時間不僅使得視頻塊包含的信息種類過多從而影響異常的檢測還會造成網(wǎng)絡訓練時較高的數(shù)據(jù)存儲代價和運行時間代價。因此，本方法采用時長為 K=7 幀的時空興趣塊對不同的行為進行描述，在學習時空興趣塊完整的時空特征的同時，保證運動目標動作的準確表示。采用的網(wǎng)絡框架是基于 VGG-16 的 C3D 框架，這一框架中每個卷積層都進行邊緣擴充(Pad)，保證卷積操作的輸入輸出大小尺寸相同。網(wǎng)絡框圖如下圖 4-2 所示。本異常檢測方法所采用的C3D 網(wǎng)絡中，所有的池化層都采用最大值池化方式。在進行 CNN 訓練時在網(wǎng)絡結構中采用 卷積核實現(xiàn)對視頻序列的描述。


本文編號：3444269