本文關(guān)鍵詞：面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動目標(biāo)檢測與異常行為分析，由筆耕文化傳播整理發(fā)布。

【摘要】：智能視頻監(jiān)控(IVS)是計(jì)算機(jī)視覺中近年來倍受關(guān)注的一個(gè)應(yīng)用領(lǐng)域,它利用機(jī)器視覺和圖像處理相關(guān)技術(shù)實(shí)現(xiàn)對視頻信號的處理、分析和理解,進(jìn)而達(dá)到對監(jiān)控系統(tǒng)智能控制的目的,有效解決傳統(tǒng)監(jiān)控系統(tǒng)因數(shù)據(jù)處理量大,響應(yīng)時(shí)間長以及人類自身固有弱點(diǎn)等缺陷導(dǎo)致的監(jiān)控效率低下和繁瑣工作量等問題。本次論文研究的開展主要針對智能視頻監(jiān)控方面的應(yīng)用需求,著力研究視頻序列中的運(yùn)動目標(biāo)的提取和異常行為分析,著手完成固定場景中運(yùn)動目標(biāo)的檢測與跟蹤,并且在充分利用檢測及跟蹤得到的運(yùn)動目標(biāo)信息的基礎(chǔ)上,實(shí)現(xiàn)對視頻監(jiān)控范圍內(nèi)目標(biāo)行為的主動分析。本文完成的研究工作及主要貢獻(xiàn)如下:目標(biāo)檢測研究方面,針對傳統(tǒng)的基于混合高斯建模進(jìn)行前景檢測的缺陷,本文做了算法改進(jìn),改進(jìn)算法將高斯建模與幀間差分兩種方法相結(jié)合實(shí)現(xiàn)目標(biāo)檢測,目標(biāo)提取更加完整。此外,在現(xiàn)有算法基礎(chǔ)上,本文提出了一種基于差分背景融合建模的運(yùn)動目標(biāo)檢測算法,該算法通過連續(xù)視頻幀圖像間的差分運(yùn)算獲得背景區(qū)域像素的逐步填充融合建立背景圖像,并構(gòu)建自適應(yīng)背景更新策略達(dá)到背景模型的實(shí)時(shí)更新,有效實(shí)現(xiàn)穩(wěn)定背景模型的建立,并完成完整前景的檢測,實(shí)驗(yàn)結(jié)果證明,本文算法穩(wěn)定性高,前景檢測效果好。目標(biāo)跟蹤研究方面,針對復(fù)雜背景下目標(biāo)跟蹤的技術(shù)難點(diǎn),本文提出了一種基于圖像感知哈希技術(shù)的運(yùn)動目標(biāo)跟蹤算法,算法通過圖像感知哈希技術(shù)構(gòu)建目標(biāo)哈希值進(jìn)行模板匹配,采用搜索跟蹤和匹配跟蹤兩種策略相配合準(zhǔn)確獲取運(yùn)動目標(biāo)在幀圖像序列中的位置和尺度信息,利用新的圖像信息更新目標(biāo)模板,實(shí)現(xiàn)運(yùn)動目標(biāo)的準(zhǔn)確、持續(xù)跟蹤以及模板尺寸的自適應(yīng)修正,有效解決傳統(tǒng)匹配算法在跟蹤應(yīng)用中時(shí)間復(fù)雜度高,準(zhǔn)確性低,對噪聲、遮擋、目標(biāo)尺度變化等抗性不足的問題。異常行為分析方面,根據(jù)異常行為難定義、易發(fā)現(xiàn)的特點(diǎn),本文從異常行為的宏觀狀態(tài)出發(fā)采用基于目標(biāo)團(tuán)塊和軌跡分析的方法判別異常行為,針對不同種類異常行為設(shè)定不同的判別規(guī)則,當(dāng)規(guī)則被觸犯,則觸發(fā)報(bào)警。本文具體完成包括:監(jiān)控ROI設(shè)定、運(yùn)動人體標(biāo)識、目標(biāo)特征提取等幾個(gè)方面的算法實(shí)現(xiàn),并基于以上過程實(shí)現(xiàn)了四種異常的判定,這其中,運(yùn)動目標(biāo)采用最小外接矩形框標(biāo)識,提取的特征包括目標(biāo)面積、質(zhì)心坐標(biāo)、運(yùn)動軌跡等,實(shí)驗(yàn)結(jié)果證明,本文算法穩(wěn)定性好,能有效檢測異常的發(fā)生,并及時(shí)觸發(fā)報(bào)警提示。
【關(guān)鍵詞】：智能視頻監(jiān)控 目標(biāo)檢測 目標(biāo)跟蹤 異常行為分析
【學(xué)位授予單位】：中國計(jì)量學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;TN948.6
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-15
• 1 緒論15-21
• 1.1 智能視頻監(jiān)控簡介15
• 1.2 選題的背景及意義15-17
• 1.3 智能視頻監(jiān)控國內(nèi)外研究現(xiàn)狀17-18
• 1.4 智能視頻監(jiān)控關(guān)鍵技術(shù)分析18-20
• 1.5 本文研究內(nèi)容及章節(jié)安排20-21
• 2 運(yùn)動圖像序列處理技術(shù)基礎(chǔ)21-30
• 2.1 基于OpenCV的圖像處理21-24
• 2.1.1 OpenCV背景知識21-22
• 2.1.2 OpenCV在視頻分析中的應(yīng)用22
• 2.1.3 OpenCV在VC2010 Express下的配置22-24
• 2.2 圖像預(yù)處理相關(guān)技術(shù)基礎(chǔ)24-27
• 2.2.1 圖像去噪24-26
• 2.2.2 圖像灰度化26
• 2.2.3 離散余弦變換26-27
• 2.3 數(shù)學(xué)形態(tài)學(xué)基礎(chǔ)27-29
• 2.3.1 數(shù)學(xué)形態(tài)學(xué)簡介27-28
• 2.3.2 腐蝕、膨脹運(yùn)算28-29
• 2.3.3 開運(yùn)算、閉運(yùn)算29
• 2.4 本章小結(jié)29-30
• 3 視頻圖像序列中的運(yùn)動目標(biāo)檢測算法研究30-47
• 3.1 運(yùn)動目標(biāo)檢測主要算法及原理30-33
• 3.1.1 光流法30-31
• 3.1.2 幀間差分法31-32
• 3.1.3 背景減除法32-33
• 3.2 改進(jìn)的基于混合高斯背景建模的運(yùn)動目標(biāo)檢測算法33-37
• 3.2.1 混合高斯背景建模原理33-35
• 3.2.2 傳統(tǒng)的基于混合高斯建模進(jìn)行前景檢測的缺陷35
• 3.2.3 改進(jìn)的基于混合高斯背景建模的運(yùn)動目標(biāo)檢測算法35-36
• 3.2.4 實(shí)驗(yàn)效果與分析36-37
• 3.3 基于差分背景融合建模的運(yùn)動目標(biāo)檢測算法37-45
• 3.3.1 算法基本思想37-38
• 3.3.2 背景模型的建立38-39
• 3.3.3 自適應(yīng)背景更新策略39-41
• 3.3.4 實(shí)驗(yàn)效果與分析41-45
• 3.4 本章小結(jié)45-47
• 4 基于圖像感知哈希技術(shù)的運(yùn)動目標(biāo)跟蹤算法47-59
• 4.1 視頻監(jiān)控中的運(yùn)動目標(biāo)跟蹤算法介紹47-49
• 4.2 復(fù)雜場景中的運(yùn)動目標(biāo)跟蹤49
• 4.3 基于圖像感知哈希技術(shù)的運(yùn)動目標(biāo)跟蹤算法49-54
• 4.3.1 圖像感知哈希技術(shù)50-51
• 4.3.2 目標(biāo)模板哈希值的生成51
• 4.3.3 哈希值的匹配51-52
• 4.3.4 目標(biāo)模板的自適應(yīng)更新52-54
• 4.3.4.1 目標(biāo)跟蹤搜索策略52-53
• 4.3.4.2 模板評價(jià)函數(shù)53
• 4.3.4.3 自適應(yīng)模板更新準(zhǔn)則53-54
• 4.4 跟蹤過程中的問題解決54-55
• 4.4.1 目標(biāo)的區(qū)域搜索及匹配54
• 4.4.2 區(qū)域目標(biāo)新進(jìn)與出離54-55
• 4.4.3 目標(biāo)尺度變化及遮擋55
• 4.5 實(shí)現(xiàn)效果與分析55-58
• 4.6 本章小結(jié)58-59
• 5 智能視頻監(jiān)控系統(tǒng)中的異常行為分析59-73
• 5.1 人體異常行為判別常用算法59-60
• 5.2 區(qū)域劃定與人體特征提取60-64
• 5.2.1 檢測區(qū)域設(shè)定60-61
• 5.2.2 運(yùn)動人體標(biāo)識61-62
• 5.2.3 目標(biāo)運(yùn)動特征提取62-64
• 5.3 基于目標(biāo)團(tuán)塊和運(yùn)動軌跡的行為判定64-68
• 5.3.1 目標(biāo)團(tuán)塊分析法64
• 5.3.2 運(yùn)動目標(biāo)軌跡分析法64-66
• 5.3.3 異常行為規(guī)則設(shè)定66-68
• 5.4 常見異常檢測實(shí)驗(yàn)效果及分析68-72
• 5.4.1 區(qū)域入侵檢測68-69
• 5.4.2 人體跌倒檢測69-70
• 5.4.3 遺留物檢測70-71
• 5.4.4 區(qū)域徘徊檢測71-72
• 5.5 本章小結(jié)72-73
• 6 結(jié)論與展望73-76
• 6.1 本文總結(jié)73-74
• 6.2 未來研究展望74-76
• 參考文獻(xiàn)76-81
• 附錄A 運(yùn)動目標(biāo)檢測部分核心代碼81-83
• 附錄B 運(yùn)動目標(biāo)跟蹤部分核心代碼83-88
• 附錄C 異常行為分析部分核心代碼88-90
• 作者簡歷90

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 羅超宇;;基于視頻序列的人體異常行為檢測技術(shù)分析[J];電子制作;2013年18期

2 崔永艷;高陽;;基于多示例學(xué)習(xí)的異常行為檢測方法[J];模式識別與人工智能;2011年06期

3 陸海先;郭立;桂樹;謝錦生;;基于潛在主題的視頻異常行為分析[J];通信技術(shù);2012年07期

4 周維柏;李蓉;;基于軌跡特征分析的行人異常行為識別[J];電腦編程技巧與維護(hù);2010年12期

5 李曉東;凌捷;;基于視頻監(jiān)控參考量的異常行為檢測研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年09期

6 姬曉飛;吳倩倩;李一波;;改進(jìn)時(shí)空特征的人體異常行為檢測方法研究[J];沈陽航空航天大學(xué)學(xué)報(bào);2013年05期

7 桑海峰;郭昊;徐超;;基于運(yùn)動特征的人體異常行為識別[J];中國科技論文;2014年07期

8 王傳旭;董晨晨;;基于時(shí)空特征點(diǎn)的群體異常行為檢測算法[J];數(shù)據(jù)采集與處理;2012年04期

9 沈海燕;馮云梅;史宏;;基于信息融合的客運(yùn)站人體異常行為識別研究[J];公路交通科技;2009年S1期

10 陳穎鳴;陳樹越;張顯亭;;智能視頻監(jiān)控中異常行為識別研究[J];微電子學(xué)與計(jì)算機(jī);2010年11期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 王碧英;孫健敏;;公仆型領(lǐng)導(dǎo)對員工行為的影響[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 林娜;小鼠異常行為的遺傳基礎(chǔ)研究[D];東北農(nóng)業(yè)大學(xué);2006年

2 Popoola Oluwatoyin Pius;擁擠環(huán)境下的異常行為檢測研究[D];哈爾濱工程大學(xué);2012年

3 張軍;基于視頻的運(yùn)動人體異常行為分析識別研究[D];西安電子科技大學(xué);2009年

4 劉皓;基于條件隨機(jī)場模型的異常行為檢測方法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

5 張毅;MANET環(huán)境中基于移動Agent的異常行為檢測與防御[D];哈爾濱工程大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張雁冰;監(jiān)控視頻中人體異常行為檢測研究[D];深圳大學(xué);2015年

2 梁玉;基于ORB興趣點(diǎn)的異常行為檢測技術(shù)研究[D];鄭州大學(xué);2015年

3 陳崗;治安監(jiān)控中基于計(jì)算機(jī)視覺的異常行為檢測技術(shù)研究[D];上海交通大學(xué);2015年

4 許龍;視頻中的異常行為檢測與分析研究[D];上海交通大學(xué);2015年

5 姚源;視頻中異常行為發(fā)現(xiàn)方法研究及實(shí)現(xiàn)[D];電子科技大學(xué);2014年

6 王朝新;基于視頻的行人異常行為檢測技術(shù)的應(yīng)用研究[D];電子科技大學(xué);2014年

7 張海峰;陽煤集團(tuán)視頻異常監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 張丹;視頻監(jiān)控系統(tǒng)下航站樓旅客異常行為檢測方法研究[D];南京航空航天大學(xué);2014年

9 梁琛華;視頻監(jiān)控中的人體異常行為識別[D];國防科學(xué)技術(shù)大學(xué);2013年

10 朱明凌;面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動目標(biāo)檢測與異常行為分析[D];中國計(jì)量學(xué)院;2015年

  本文關(guān)鍵詞：面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動目標(biāo)檢測與異常行為分析，，由筆耕文化傳播整理發(fā)布。

本文編號：419245