發(fā)布時(shí)間：2024-04-13 04:45

　　視頻監(jiān)控應(yīng)用于各類公共場(chǎng)所,提高了防災(zāi)應(yīng)急和案件偵破的效率,保障了人民群眾的生命財(cái)產(chǎn)安全。然而,傳統(tǒng)的視頻異常檢測(cè)需要工作人員對(duì)海量的監(jiān)控?cái)?shù)據(jù)進(jìn)行長期而嚴(yán)密的觀察,以發(fā)現(xiàn)異常事件。這種檢測(cè)方式繁瑣且極易產(chǎn)生疲勞,還容易造成關(guān)鍵信息的遺漏。為了準(zhǔn)確地發(fā)現(xiàn)異常事件,并及時(shí)地做出響應(yīng),設(shè)計(jì)一種高效的、智能的視頻異常檢測(cè)方法變得愈來愈重要。由于異常事件的偶發(fā)性以及多樣性,使得異常事件的數(shù)據(jù)很難收集。此外,由于異常事件的定義具有不明確性,使得同一行為的定義取決于所依賴的具體場(chǎng)景。因此,視頻異常檢測(cè)仍然是一項(xiàng)充滿挑戰(zhàn)性的任務(wù)。本文對(duì)視頻中異常事件的檢測(cè)展開了研究,主要貢獻(xiàn)如下:(1)提出一種融合獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)(Ind RNN)與變分自編碼(VAE)網(wǎng)絡(luò)的預(yù)測(cè)網(wǎng)絡(luò)Ind RNN-VAE,解決了現(xiàn)有異常檢測(cè)方法不能有效提取視頻中幀與幀之間的時(shí)間信息的問題。在提出的預(yù)測(cè)網(wǎng)絡(luò)Ind RNN-VAE中,首先利用變分自編碼網(wǎng)絡(luò)提取視頻幀的空間信息,并通過線性變換得到視頻幀的潛在特征;然后將潛在特征作為獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入以得到視頻幀序列的時(shí)間信息;最后通過殘差塊將獲得的潛在變量與時(shí)間信息進(jìn)行融合輸入到解碼...

【文章頁數(shù)】：64 頁

【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
        1.2.1 基于監(jiān)督學(xué)習(xí)的視頻異常檢測(cè)
        1.2.2 基于弱監(jiān)督學(xué)習(xí)的視頻異常檢測(cè)
        1.2.3 基于無監(jiān)督學(xué)習(xí)的視頻異常檢測(cè)
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 理論基礎(chǔ)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)理論知識(shí)
        2.2.1 卷積操作
        2.2.2 池化操作
        2.2.3 激活函數(shù)
        2.2.4 反卷積操作
        2.2.5 上池化操作
    2.3 深度學(xué)習(xí)相關(guān)網(wǎng)絡(luò)
        2.3.1 編碼器
        2.3.2 生成對(duì)抗網(wǎng)絡(luò)
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.4 三重注意力機(jī)制
    2.4 性能評(píng)價(jià)方法
        2.4.1 異常評(píng)價(jià)方法
        2.4.2 異常評(píng)價(jià)指標(biāo)
    2.5 相關(guān)數(shù)據(jù)集
    2.6 本章小結(jié)
第3章 基于 IndRNN-VAE 網(wǎng)絡(luò)的異常檢測(cè)方法
    3.1 引言
    3.2 基于 IndRNN-VAE 的異常檢測(cè)模型
        3.2.1 IndRNN-VAE 網(wǎng)絡(luò)搭建
        3.2.2 模型訓(xùn)練
    3.3 實(shí)驗(yàn)與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 與目前先進(jìn)方法對(duì)比
        3.3.3 視頻幀異常分?jǐn)?shù)可視化
        3.3.4 消融實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 基于WTAN網(wǎng)絡(luò)的異常檢測(cè)方法
    4.1 引言
    4.2 基于WTAN網(wǎng)絡(luò)的異常檢測(cè)模型
        4.2.1 模型架構(gòu)
        4.2.2 模型訓(xùn)練
        4.2.3 異常評(píng)價(jià)
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果
        4.3.3 與其他方法的對(duì)比及異常可視化
        4.3.4 消融實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)



本文編號(hào)：3952503