發(fā)布時間：2017-05-23 18:19

  本文關鍵詞：監(jiān)控視頻的異常行為檢測方法研究與軟件實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：智能視頻監(jiān)控在當今作為主流的安防手段,通過遍布于各類交通領域、住宅小區(qū)等公共場所的攝像頭進行監(jiān)控。近年來由于硬件成本的降低,監(jiān)控攝像頭的應用也逐步增多,隨之帶來的要處理的信息也呈現(xiàn)幾何式的增長,在人力與物力有限的條件下如何快速、精準地檢測在公共場所發(fā)生的異常行為顯得尤為重要。智能視頻監(jiān)控技術也因此得到了社會各界學者的極大關注。如今,大部分監(jiān)控系統(tǒng)主要采用人工監(jiān)視的方式進行,這就需要工作人員緊盯監(jiān)控設備,這容易引起人員疲憊、緊張,尤其在工作環(huán)境中,一人要觀察多個場景,往往目不暇接,極易引起疏忽,影響監(jiān)控的效果。如何在海量視頻中獲取有用信息是安防領域關注的重點。雖然在該領域有諸多學者參與了研究,但仍然無法滿足現(xiàn)階段要求。安防領域監(jiān)控系統(tǒng)要求能夠自主地判斷異常行為,然而在早期的研究中,需要對行為進行預先定義,無法做到自主的理解并判斷。針對上述問題,本文主要做出了以下工作:1.針對監(jiān)控系統(tǒng)無法自主地判斷異常行為的問題,本文采用無監(jiān)督的判斷方法。該方法具有一定的自適應性,無需預先定義人的行為,通過運動目標的軌跡來判斷是否有異常行為,這在公共環(huán)境,尤其是各目標行為較難定義時顯得更加有效,適應性更強。2.為了解決在初步提取運動前景區(qū)域過程中產(chǎn)生的大量分離碎片這一問題,本文采取多邊形擬合的方法,將屬于同一目標區(qū)域的碎片進行合并,從而降低了輪廓的復雜度,這樣能夠更完整地表達目標的行為狀態(tài)。3.初步提取出的運動目標軌跡包含了大量噪聲點,與目標實際中心位置不符的雜亂點,對后續(xù)軌跡的聚類產(chǎn)生影響。本文采取將運動目標軌跡進行線段擬合消除此類干擾,并將線段端點代替段落內的原始軌跡,可以極大地減少軌跡聚類的運算量,提高處理速度。
【關鍵詞】：視頻監(jiān)控 目標跟蹤 軌跡聚類 異常判斷
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN948.6
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 視頻監(jiān)控系統(tǒng)的研究背景與意義10-12
• 1.2 異常行為檢測研究現(xiàn)狀12-16
• 1.2.1 目標檢測與背景建模方法13
• 1.2.2 運動目標跟蹤方法13-14
• 1.2.3 運動目標的分類14
• 1.2.4 行為理解14-16
• 1.3 本文的主要研究內容16-17
• 1.4 章節(jié)安排17-18
• 第二章 固定場景下的運動目標提取18-32
• 2.1 引言18
• 2.2 本章算法框架18-19
• 2.3 運動目標提取方法選擇19-20
• 2.4 初步前景區(qū)域提取20-23
• 2.4.1 傳統(tǒng)背景碼書的建立20-21
• 2.4.2 改進的碼書模型與前景提取21-23
• 2.5 運動目標的輪廓區(qū)域提取23-27
• 2.6 實驗結果分析27-31
• 2.7 本章小結31-32
• 第三章 軌跡形成方法32-51
• 3.1 引言32
• 3.2 算法框架32-33
• 3.3 特征選取與視頻片段分割33-35
• 3.4 輪廓區(qū)域中心提取35-36
• 3.5 運動目標跟蹤36-38
• 3.6 運動軌跡的擬合38-43
• 3.7 軌跡片段關聯(lián)43-50
• 3.7.1 軌跡片段的特征向量提取44-47
• 3.7.2 軌跡關聯(lián)性的計算47-50
• 3.8 本章小結50-51
• 第四章 軌跡的聚類與異常檢測51-68
• 4.1 引言51
• 4.2 算法框架51-53
• 4.3 多特征融合的軌跡間相似度53-55
• 4.4 軌跡聚類方法55-61
• 4.4.1 自適應軌跡聚類56-57
• 4.4.2 實驗結果與分析57-61
• 4.5 異常行為的判別準則61-62
• 4.6 實驗結果與分析62-67
• 4.7 本章小結67-68
• 第五章 視頻監(jiān)控系統(tǒng)的軟件實現(xiàn)68-72
• 5.1 引言68
• 5.2 監(jiān)控系統(tǒng)模塊68-69
• 5.3 軟件系統(tǒng)功能設計69-71
• 5.4 本章小結71-72
• 第六章 總結及展望72-75
• 6.1 本論文研究總結72-73
• 6.2 本論文研究展望73-75
• 致謝75-76
• 參考文獻76-81
• 攻碩期間的研究成果81-82

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 魏龍翔;何小海;滕奇志;高明亮;;結合Hausdorff距離和最長公共子序列的軌跡分類[J];電子與信息學報;2013年04期

2 孔令富;李海濤;;基于位置和運動軌跡的老年人異常行為檢測[J];計算機工程與設計;2012年02期

3 李明之;馬志強;單勇;張曉燕;;交通監(jiān)控中運動目標軌跡的距離計算和聚類[J];計算機工程與設計;2012年06期

4 段煉;李峙;胡寶清;;時空約束下的熱點路徑空間分布檢測算法[J];計算機工程與設計;2014年03期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 張莎妮;劉良旭;葉思敏;范劍波;;一種基于局部位置無關的軌跡片段聚類算法[A];第29屆中國數(shù)據(jù)庫學術會議論文集（B輯）（NDBC2012）[C];2012年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 胡宏宇;基于視頻處理的交通事件識別方法研究[D];吉林大學;2010年

2 李海濤;面向家庭智能空間主動服務的目標行為分析與識別[D];燕山大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 余忠慶;基于視頻的車輛軌跡聚類分析及異常檢測[D];北京交通大學;2012年

2 陳錦陽;移動對象軌跡的數(shù)據(jù)挖掘研究[D];寧波大學;2012年

3 叢志環(huán);交通視頻車輛行駛狀態(tài)實時判別方法研究[D];遼寧師范大學;2012年

4 孫占虎;基于運動詞典的視頻事件檢測[D];華東師范大學;2014年

5 石亞麋;基于視頻的公交客流統(tǒng)計方法研究[D];重慶大學;2014年

6 趙海;視頻序列下的車輛軌跡異常行為識別[D];昆明理工大學;2014年

7 崔妍婷;基于主題模型的視頻集群目標軌跡分類[D];中國科學院大學（工程管理與信息技術學院）;2015年

  本文關鍵詞：監(jiān)控視頻的異常行為檢測方法研究與軟件實現(xiàn)，，由筆耕文化傳播整理發(fā)布。

本文編號：388743