本文關鍵詞：基于改進的稀疏重構(gòu)算法行人異常為分析分析

  更多相關文章： 視頻監(jiān)控序列 目標跟蹤 時空上下文 異常分析 稀疏重構(gòu)算法

【摘要】：視頻監(jiān)控中人體異常行為分析是智能視頻監(jiān)控領域中重要的研究方向,通過利用計算機視覺技術對視頻內(nèi)容分析達到對人體異常行為進行智能檢測的目的,這樣可以過濾掉監(jiān)控視頻中大量對安防無用的信息,節(jié)約了大量的人力,并解決了傳統(tǒng)監(jiān)控系統(tǒng)的事后性。本文針對視頻監(jiān)控中運動人體的行為進行分析研究,具體涉及到目標跟蹤和人體行為分析兩部分。目前,大量跟蹤算法都存在跟蹤速度慢、算法魯棒性低、計算量大以及錯誤跟蹤等問題。針對目標跟蹤存在的跟蹤速度慢及錯誤跟蹤的問題,本文在時空上下文算法的基礎上結(jié)合卡爾曼濾波器來進行目標跟蹤,較好的解決了這些問題。時空上下文算法通過學習目標局部時空上下文模型,計算結(jié)合目標的時空上下文的置信圖,以此估計最佳目標位置。該算法的特點是,針對單一背景和單一目標進行追蹤,由于時空模型的學習和目標的檢測都是通過傅里葉變換來實現(xiàn)的,所以學習和檢測的速度都比較快,但該方法只解決了部分遮擋問題。針對這些局限性和缺點,我們在時空上下文算法的基礎上加入了卡爾曼濾波器來預測目標的運動狀態(tài),能夠處理較復雜背景中多目標的暫時遮擋問題,提高了跟蹤精度。在異常分析方面,利用運動軌跡來分析目標行為的方法受到越來越多的關注�；谀Ｐ偷能壽E分析方法,首先需要對軌跡進行預處理,然后提取軌跡的局部細節(jié)信息,最后判斷異常,因此檢測速度較慢；基于目標高層次意向性特征的軌跡分析方法,速度較快,但是由于異常檢測部分用到了粒子濾波,因此需要用大量的樣本數(shù)量才能很好地近似系統(tǒng)的后驗概率密度,導致算法的復雜度較高。本文通過改進的稀疏重構(gòu)算法來分析軌跡,利用重構(gòu)誤差的大小來識別異常。該方法的優(yōu)點在于不需要分析軌跡的細節(jié)特征,只需要收集行人的運動軌跡用于后續(xù)的異常識別。實驗結(jié)果表明該方法在小樣本集上就能獲得較好的軌跡檢測效果。
【關鍵詞】：視頻監(jiān)控序列 目標跟蹤 時空上下文 異常分析 稀疏重構(gòu)算法
【學位授予單位】：天津工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 學位論文的主要創(chuàng)新點3-4
• 摘要4-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.3 研究內(nèi)容及章節(jié)安排14-17
• 1.3.1 研究內(nèi)容14-15
• 1.3.2 章節(jié)安排15-17
• 第二章 運動目標跟蹤17-31
• 2.1 運動目標跟蹤流程17-18
• 2.2 目標跟蹤常用方法18-19
• 2.3 本文采用的時空上下文結(jié)合卡爾曼的跟蹤算法19-28
• 2.3.1 時空上下文算法原理19-24
• 2.3.2 卡爾曼濾波器24-28
• 2.4 跟蹤結(jié)果對比28-30
• 2.5 本章小結(jié)30-31
• 第三章 行人異常行為分析31-49
• 3.1 行人異常行為分析常用方法31-32
• 3.2 運動人體軌跡表示法32-36
• 3.3 常見的軌跡分析方法36-38
• 3.3.1 根據(jù)不同軌跡表示法進行分類36-37
• 3.3.2 根據(jù)不同模式學習法進行分類37-38
• 3.4 本文所用軌跡分析方法38-43
• 3.4.1 稀疏重構(gòu)概念38-39
• 3.4.2 稀疏重構(gòu)在圖像處理領域的應用39-40
• 3.4.3 正則項的1-范數(shù)概念40-41
• 3.4.4 稀疏重構(gòu)的原理分析41-43
• 3.5 基于改進稀疏重構(gòu)算法的異常軌跡檢測43-47
• 3.5.1 軌跡樣本集構(gòu)造43-44
• 3.5.2 待檢測軌跡的稀疏重構(gòu)分析44-46
• 3.5.3 異常軌跡檢測46-47
• 3.6 本章小結(jié)47-49
• 第四章 實驗結(jié)果及分析49-55
• 4.1 內(nèi)容與結(jié)果49-52
• 4.2 對比分析52-53
• 4.3 本章小結(jié)53-55
• 第五章 總結(jié)與展望55-57
• 5.1 總結(jié)55
• 5.2 展望55-57
• 參考文獻57-61
• 發(fā)表論文和參加科研情況說明61-63
• 致謝63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉盾;石和平;;基于一種改進的壓縮感知重構(gòu)算法的分析與比較[J];科學技術與工程;2012年21期

2 蔣英春;;離散空間中正交小波分解重構(gòu)算法的實現(xiàn)[J];計算機應用研究;2013年02期

3 劉勇;魏東紅;毛京麗;;基于優(yōu)化內(nèi)積模型的壓縮感知快速重構(gòu)算法[J];北京郵電大學學報;2013年01期

4 王田川;宋建新;;壓縮感知重構(gòu)算法研究[J];電視技術;2013年11期

5 李福建,陳廷槐,田梅,周六丁;一種新的環(huán)網(wǎng)故障診斷與重構(gòu)算法[J];計算機工程;1992年06期

6 童露霞;王嘉;;基于壓縮傳感的重構(gòu)算法研究[J];電視技術;2012年11期

7 李博;郭樹旭;;一種改進的壓縮感知重構(gòu)算法研究[J];現(xiàn)代電子技術;2013年03期

8 李志剛;;一種快速的壓縮感知信號重構(gòu)算法[J];信息技術;2013年06期

9 梁棟,楊尚俊,章權(quán)兵;一種基于圖象序列的3D重構(gòu)算法[J];安徽大學學報(自然科學版);2001年01期

10 陳勤;鄒志兵;張e，

本文編號：1056257