視頻異常行為事件檢測(cè)是指利用計(jì)算機(jī)識(shí)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(xiàng)重點(diǎn)攻關(guān)技術(shù)難題。當(dāng)前,視頻異常行為事件檢測(cè)主要存在兩個(gè)問(wèn)題:異常行為視頻數(shù)據(jù)較少和不同場(chǎng)景下異常行為定義無(wú)法明確區(qū)分�，F(xiàn)有主要方法是先對(duì)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(xué)習(xí)的視頻空時(shí)特征表征學(xué)習(xí)方法表現(xiàn)出較好地前景。為了對(duì)不同場(chǎng)景中的異常行為事件進(jìn)行檢測(cè),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(jí)場(chǎng)景的視頻異常行為事件檢測(cè)算法:1.針對(duì)高密度人群場(chǎng)景下行人遮擋嚴(yán)重導(dǎo)致表觀特征建模難度大等問(wèn)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(jì)和人群異常行為建模兩大部分。在人群密度估計(jì)方面,本文設(shè)計(jì)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(luò)增強(qiáng)模型的多尺度特征提取能力。在異常行為建模部分,設(shè)計(jì)了一種融合人群密度圖空間特征和光流運(yùn)動(dòng)特征的雙流網(wǎng)絡(luò)檢測(cè)人群恐慌行為,并利用人群密度的局部空時(shí)動(dòng)態(tài)特性實(shí)現(xiàn)人群聚集行為的檢測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的有效性,算法中設(shè)計(jì)的人群密...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀和水平
        1.2.1 視頻異常行為簡(jiǎn)介
        1.2.2 基于傳統(tǒng)特征的異常行為檢測(cè)方法
        1.2.3 基于深度學(xué)習(xí)的異常行為檢測(cè)方法
    1.3 視頻異常行為檢測(cè)存在的問(wèn)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(jì)方法
        2.2.2 人群異常行為檢測(cè)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(jì)算法
        2.3.1 人群密度網(wǎng)絡(luò)結(jié)構(gòu)研究
        2.3.2 人群密度估計(jì)整體算法框架
        2.3.3 前端網(wǎng)絡(luò)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(luò)模型
        2.3.6 模型訓(xùn)練細(xì)節(jié)
        2.3.7 人群密度估計(jì)實(shí)驗(yàn)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(luò)的人群恐慌行為識(shí)別算法
        2.4.2 基于局部人群空時(shí)密度的異常聚集檢測(cè)算法
        2.4.3 實(shí)驗(yàn)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(cè)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(luò)
        3.2.2 循環(huán)卷積神經(jīng)網(wǎng)絡(luò)
    3.3 基于3DCNN與 ConvGRU的視頻異常行為事件檢測(cè)算法
        3.3.1 算法的基本原理
        3.3.2 模型優(yōu)化目標(biāo)函數(shù)設(shè)計(jì)
        3.3.3 異常行為事件判定規(guī)則設(shè)計(jì)
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 異常行為事件檢測(cè)數(shù)據(jù)集
        3.4.2 模型的訓(xùn)練參數(shù)設(shè)置
        3.4.3 異常行為檢測(cè)的結(jié)果分析
    3.5 本章小結(jié)
第4章 基于圖卷積網(wǎng)絡(luò)的人體暴力行為檢測(cè)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(jì)方法
        4.2.2 圖卷積神經(jīng)網(wǎng)絡(luò)
        4.2.3 基于骨架的動(dòng)作識(shí)別方法
    4.3 基于圖卷積的人體暴力異常行為檢測(cè)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(yīng)采樣模塊
        4.3.4 基于空時(shí)圖卷積的人體姿態(tài)識(shí)別模型
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 評(píng)估數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)方法及細(xì)節(jié)
        4.4.3 實(shí)驗(yàn)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(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號(hào)：3803865