視頻異常行為事件檢測是指利用計算機識別出視頻中很少出現(xiàn)或不同于正常行為的視頻幀片段,其是新一代智能視頻分析系統(tǒng)的一項重點攻關(guān)技術(shù)難題。當前,視頻異常行為事件檢測主要存在兩個問題:異常行為視頻數(shù)據(jù)較少和不同場景下異常行為定義無法明確區(qū)分。現(xiàn)有主要方法是先對正常行為事件建模,然后將不符合正常模型的視頻定義為異常,其中基于深度學習的視頻空時特征表征學習方法表現(xiàn)出較好地前景。為了對不同場景中的異常行為事件進行檢測,根據(jù)視頻中人群密集程度的不同,本文分別提出適用于高、中、低三種人群密度等級場景的視頻異常行為事件檢測算法:1.針對高密度人群場景下行人遮擋嚴重導致表觀特征建模難度大等問題,提出一種基于人群密度圖的人群異常行為事件分析算法。該算法主要包括人群密度估計和人群異常行為建模兩大部分。在人群密度估計方面,本文設計了一種基于多孔卷積的多尺度空間池化模塊,并結(jié)合單路深度網(wǎng)絡增強模型的多尺度特征提取能力。在異常行為建模部分,設計了一種融合人群密度圖空間特征和光流運動特征的雙流網(wǎng)絡檢測人群恐慌行為,并利用人群密度的局部空時動態(tài)特性實現(xiàn)人群聚集行為的檢測。實驗結(jié)果驗證了該算法的有效性,算法中設計的人群密...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀和水平
        1.2.1 視頻異常行為簡介
        1.2.2 基于傳統(tǒng)特征的異常行為檢測方法
        1.2.3 基于深度學習的異常行為檢測方法
    1.3 視頻異常行為檢測存在的問題
    1.4 本文的主要工作和結(jié)構(gòu)安排
        1.4.1 主要工作內(nèi)容
        1.4.2 本文的結(jié)構(gòu)安排
第2章 基于人群密度圖的人群異常行為分析方法研究
    2.1 引言
    2.2 相關(guān)工作
        2.2.1 人群密度估計方法
        2.2.2 人群異常行為檢測方法
    2.3 基于多孔卷積的多尺度空間池化的人群密度估計算法
        2.3.1 人群密度網(wǎng)絡結(jié)構(gòu)研究
        2.3.2 人群密度估計整體算法框架
        2.3.3 前端網(wǎng)絡模型
        2.3.4 基于多孔卷積的多尺度空間池化模塊
        2.3.5 后端網(wǎng)絡模型
        2.3.6 模型訓練細節(jié)
        2.3.7 人群密度估計實驗結(jié)果分析
    2.4 基于人群密度圖的人群異常行為分析方法
        2.4.1 基于雙流網(wǎng)絡的人群恐慌行為識別算法
        2.4.2 基于局部人群空時密度的異常聚集檢測算法
        2.4.3 實驗結(jié)果與分析
    2.5 本章小結(jié)
第3章 基于3DCNN和 ConvGRU的視頻異常行為事件檢測方法研究
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 3D卷積神經(jīng)網(wǎng)絡
        3.2.2 循環(huán)卷積神經(jīng)網(wǎng)絡
    3.3 基于3DCNN與 ConvGRU的視頻異常行為事件檢測算法
        3.3.1 算法的基本原理
        3.3.2 模型優(yōu)化目標函數(shù)設計
        3.3.3 異常行為事件判定規(guī)則設計
    3.4 實驗結(jié)果與分析
        3.4.1 異常行為事件檢測數(shù)據(jù)集
        3.4.2 模型的訓練參數(shù)設置
        3.4.3 異常行為檢測的結(jié)果分析
    3.5 本章小結(jié)
第4章 基于圖卷積網(wǎng)絡的人體暴力行為檢測方法研究
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 人體姿態(tài)估計方法
        4.2.2 圖卷積神經(jīng)網(wǎng)絡
        4.2.3 基于骨架的動作識別方法
    4.3 基于圖卷積的人體暴力異常行為檢測算法
        4.3.1 算法整體框架
        4.3.2 人體姿態(tài)序列生成模塊
        4.3.3 人體姿態(tài)序列自適應采樣模塊
        4.3.4 基于空時圖卷積的人體姿態(tài)識別模型
    4.4 實驗結(jié)果與分析
        4.4.1 評估數(shù)據(jù)集
        4.4.2 實驗方法及細節(jié)
        4.4.3 實驗結(jié)果
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 工作展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：3803865