【摘要】：近幾年來,一些群體暴力事件的發(fā)生,使公共場所的安全問題越來越受到重視,但是對于公共安全的有效監(jiān)控卻一直是一個難題。采用人力分析監(jiān)控視頻,往往會忽視某個細節(jié),無法準確定位事故發(fā)生的時間和區(qū)域,這樣不僅浪費了人力物力也間接加大了危險造成的傷害。因此,對具有高準確性視頻監(jiān)控系統(tǒng)的迫切需求,使群體異常事件檢測受到廣泛的關(guān)注。群體場景下的異常事件檢測是計算機視覺領(lǐng)域中一項頗具挑戰(zhàn)性的課題,它的難點在于:對異常的定義沒有嚴格的標(biāo)準,并且異常隨著場景變化而千差萬別。學(xué)者們提出了很多模型和算法,也取得了不錯的進展。但是這些方法絕大多數(shù)是基于手工設(shè)計特征的傳統(tǒng)方法,不僅需要復(fù)雜的預(yù)處理,而且在算法運行效率上表現(xiàn)不佳�；谶@一背景,本文將結(jié)合深度學(xué)習(xí)的方法檢測視頻中出現(xiàn)的異常事件,主要研究工作如下:(1)提出了基于全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Neural Network,FCN)的異常行為視頻特征提取方法。由于傳統(tǒng)方法在群體異常檢測任務(wù)中存在的局限性,本文將現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)換為FCN,用于高效地提取視頻圖像的特征。隨后,為了進一步提高算法效率,加入迭代量化(Iterative Quantization,ITQ)方法對卷積特征進行二值量化,并將其作為特征編碼層置于FCN之后,與全卷積神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)成一種新的視頻圖像特征提取過程。(2)提出了一種基于二進制特征直方圖(Histogram of Binary Feature,HBF)的視頻異常度量算法。許多群體異常檢測算法通過訓(xùn)練一個分類模型對異常事件進行識別,不僅需要大量先驗知識,也增加了算法的復(fù)雜度。針對這個問題,本文提出HBF異常度量算法,并將計算結(jié)果定義了一個量化屬性:異常系數(shù),來對視頻中的異常程度進行直觀地分析。HBF方法基于視頻圖像的卷積特征,不依賴于運動軌跡的精確計算,魯棒性更強,計算更簡潔。(3)在利用HBF方法進行全局異常檢測后,提出融合異常系數(shù)和光流信息的方法對異常區(qū)域進行定位。最后在針對群體異常事件檢測的標(biāo)準數(shù)據(jù)庫上進行測試來驗證本文方法的有效性和實時性。實驗結(jié)果表明,與其他傳統(tǒng)方法相比,基于FCN-HBF的群體異常事件檢測方法在保證一定準確性的同時,能更快速的檢測出視頻中的異常。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：D631.43;TP183;TN948.6
【圖文】：

x1x2x3+1 +1w1w2w3第1層 第2層第3層hW,b(x圖 2-1 僅有三層的 BP 神經(jīng)網(wǎng)絡(luò)模型為了減少參數(shù)數(shù)量、加快訓(xùn)練速度，卷積神經(jīng)網(wǎng)絡(luò)主要使用了部感知和參數(shù)共享。局部感知就是將神經(jīng)元只與前一層的一小塊區(qū)是與所有的神經(jīng)元都進行計算，如圖 2-2 所示。其中，左圖為全連部連接示意圖。

是 2012 年 ImageNet 圖像分類競賽的冠ImageNet[27]和 MIT[28]上進行訓(xùn)練，并提手段以及將修正線性單元 ReLU 作為響的各種優(yōu)化策略，大大提升了神經(jīng)網(wǎng)絡(luò)歷程中具有里程碑意義的一步。AlexNe和三個全連接層組成，輸入必須是大小分類器后一個長度為 1000 的向量，表示為了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于異常檢測連接層，將其轉(zhuǎn)換成了全卷積神經(jīng)網(wǎng)絡(luò)卷積特征。另外，我們考慮到當(dāng)輸入僅信息，而視頻中的異常往往需要從動態(tài)神經(jīng)網(wǎng)絡(luò)后面添加一個特征編碼層，將效率，便于后續(xù)聯(lián)立連續(xù)多幀的視頻序列模型整體結(jié)構(gòu)如圖 2-6 所示。

按照上述結(jié)構(gòu)，得到訓(xùn)練好后的 FCN 模型，就能提取數(shù)據(jù)集中視頻圖像的卷積特征，其過程和特征提取的實驗結(jié)果在下一小節(jié)詳細闡述。2.2.3 卷積特征提取原始視頻圖像輸入到 FCN 后，會根據(jù)當(dāng)前卷積層的卷積核數(shù)量，生成相應(yīng)數(shù)量的卷積特征圖。并且，卷積特征圖中相同像素點的值就是對輸入圖像中與卷積核大小相同的對應(yīng)局部區(qū)域的表征，示意圖如圖 2-7 所示。

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

8 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

9 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(自然科學(xué));2016年03期

10 朱n

本文編號：2760581