本文關(guān)鍵詞：視頻監(jiān)控中人群密度估計和人群異常行為識別，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著圖像處理、模式識別、人工智能等技術(shù)的飛速發(fā)展,視頻智能監(jiān)控也由理論研究逐漸轉(zhuǎn)向了廣泛應(yīng)用階段。因此,智能視頻監(jiān)控技術(shù)作為改善傳統(tǒng)監(jiān)控系統(tǒng)的核心技術(shù)得到了越來越多學(xué)者的密切關(guān)注。而作為智能視頻監(jiān)控巨大挑戰(zhàn)之一的人群分析包括人群密度估計和人群行為識別也成為各大研究者的研究目標。本文搜集并查閱了人群理解相關(guān)的最新研究理論,對其涉及的一些相關(guān)知識如標簽分布學(xué)習(xí)、多標簽學(xué)習(xí)、人群密度估計、人群行為識別等進行了較深入的研究,主要研究內(nèi)容包括:1、介紹了多標簽學(xué)習(xí)和標簽分布學(xué)習(xí)算法的基礎(chǔ)理論知識。將多標簽學(xué)習(xí)分為兩類問題轉(zhuǎn)化法和算法適應(yīng)法,并分別對其進行了簡單論述。針對傳統(tǒng)的基于監(jiān)督學(xué)習(xí)的多標簽學(xué)習(xí)算法為了獲得準確的標簽分類模型要求有充足訓(xùn)練樣本的缺陷,引出了直推式多標簽學(xué)習(xí)算法。并分析了直推式多標簽學(xué)習(xí)相比其他多標簽學(xué)習(xí)算法的優(yōu)越性。標簽分布是由每個標簽對圖像的描述程度組成,它認為每一張圖像都與一個標簽分布相對應(yīng),標簽分布學(xué)習(xí)在學(xué)習(xí)過程中考慮到了所有可能的標簽,使得分類器泛化能力增強。2、提出一種基于標簽分布學(xué)習(xí)的人群密度估計算法。本文為每一幀人群圖像分配一個概率分布,來代表人數(shù)標簽對圖像的描述程度。首先將人群圖像像素進行透視歸一化匹配,并通過人群分割算法分割出視頻中的人群,提取人群圖像中的低水平特征包括分割特征、紋理特征、邊緣特征;然后采用條件概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來訓(xùn)練人數(shù)標簽分布模型,最后輸入測試圖像到標簽分布模型后即可獲得圖像中的人數(shù)。除了通過人數(shù)誤差來評估算法的性能外,我們還對比了測試樣本的預(yù)測標簽分布和真實標簽分布。經(jīng)實驗驗證,在人群數(shù)據(jù)集UCSD上本文的算法的確表現(xiàn)了很好的效果。3、提出兩種人群異常行為識別算法。本文將人群異常行為識別看成一個多標簽分類問題,對每個行為序列分配一個或多個行為標簽,通過有標簽或者無標簽的行為序列信息得到有效的分類模型,完成人群異常行為的識別�；谄梅植紝W(xué)習(xí)的異常行為識別算法首先通過學(xué)習(xí)不一致排序得到一個潛在的偏好分布使其能兼容多個不一致排序,然后通過BFGS(Broyden Fletcher Goldfard Shann,高斯擬牛頓)標簽分布學(xué)習(xí)算法學(xué)習(xí)這個潛在偏好分布模型,最終完成行為分類,這種方法解決了標簽排序不一致的問題。而基于直推式多標簽的異常行為識別算法將大量的測試集數(shù)據(jù)信息運用于多標簽的學(xué)習(xí),使得算法在測試數(shù)據(jù)集上獲得較好的行為分類效果。這種處理可以大大降低了標注的不可靠性以及其產(chǎn)生的負面影響。本文采用多標簽性能評估矩陣對兩種異常行為識別算法進行了實驗驗證,并與其他算法進行了比較。
【關(guān)鍵詞】：多標簽學(xué)習(xí) 標簽分布 標簽分布學(xué)習(xí) 人群密度估計 偏好分布 人群行為識別
【學(xué)位授予單位】：中國計量學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN948.6
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-14
• 1. 緒論14-22
• 1.1. 本章引論14-15
• 1.2. 國內(nèi)外研究現(xiàn)狀分析15-20
• 1.2.1. 人群密度估計15-18
• 1.2.2. 異常行為識別18-20
• 1.3. 論文的主要工作和章節(jié)安排20-22
• 2. 基本理論及方法22-29
• 2.1. 本章引論22
• 2.2. 多標簽學(xué)習(xí)22-26
• 2.3. 標簽分布學(xué)習(xí)26-28
• 2.4. 小結(jié)28-29
• 3. 人群密度估計29-43
• 3.1. 本章引論29
• 3.2. 視頻中人群特征提取29-32
• 3.2.1. 人群圖像透視校正30-31
• 3.2.2. 人群分割31-32
• 3.2.3. 低水平人群特征提取32
• 3.3. 基于標簽分布學(xué)習(xí)的人群密度估計32-36
• 3.3.1. 人數(shù)標簽分布32-34
• 3.3.2. 條件概率神經(jīng)網(wǎng)絡(luò)標簽分布學(xué)習(xí)34-36
• 3.3.3. 人群密度估計36
• 3.4. 實驗結(jié)果與分析36-41
• 3.5. 小結(jié)41-43
• 4. 人群異常行為識別43-59
• 4.1. 本章引論43
• 4.2. 基于偏好分布學(xué)習(xí)的人群異常行為識別43-50
• 4.2.1. 不一致行為標簽排序?qū)W習(xí)45
• 4.2.2. 偏好分布模型學(xué)習(xí)45-47
• 4.2.3. 人群異常行為識別47-48
• 4.2.4. 實驗結(jié)果與分析48-50
• 4.3. 基于直推式多標簽學(xué)習(xí)的人群異常行為識別50-58
• 4.3.1. 行為標簽標注50-51
• 4.3.2. 直推式多標簽學(xué)習(xí)51-54
• 4.3.3. 行為標簽集預(yù)測54-55
• 4.3.4. 實驗結(jié)果與分析55-58
• 4.4. 小結(jié)58-59
• 5. 總結(jié)與展望59-61
• 5.1. 研究工作總結(jié)59-60
• 5.2. 工作展望60-61
• 參考文獻61-66
• 作者簡歷66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張燕;黎寧;劉福美;;一種基于區(qū)域劃分的人群密度估計快速方法[J];計算機與數(shù)字工程;2011年04期

2 劉福美;黎寧;張燕;張可;;一種基于圖像處理的人群密度估計方法[J];計算機與數(shù)字工程;2011年05期

3 麻文華;黃磊;劉昌平;;基于置信度分析的人群密度等級分類模型[J];模式識別與人工智能;2011年01期

4 胡波;李曉華;沈蘭蓀;;場景監(jiān)控中的人群密度估計[J];電路與系統(tǒng)學(xué)報;2007年06期

5 楊裕;朱秋煜;吳喜梅;;復(fù)雜場景中的自動人群密度估計[J];現(xiàn)代電子技術(shù);2009年17期

6 李雪峰;李曉華;周激流;;基于完全局部二值模式的人群密度估計[J];計算機工程與設(shè)計;2012年03期

7 于艷艷;;商業(yè)社區(qū)人群密度監(jiān)測系統(tǒng)設(shè)計[J];科技廣場;2008年03期

8 黃璐;林燕;;一種基于視頻的車站人群密度估計算法[J];計算機時代;2012年07期

9 賈永華;呼志剛;浦世亮;;基于視頻前景邊緣和特征檢測的人群密度估計方法[J];中國公共安全(綜合版);2011年05期

10 覃勛輝;王修飛;周曦;劉艷飛;李遠錢;;多種人群密度場景下的人群計數(shù)[J];中國圖象圖形學(xué)報;2013年04期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 方曼;姚曉暉;李劍峰;;社會重大活動中人群的監(jiān)測與管控方法研究[A];中國職業(yè)安全健康協(xié)會2009年學(xué)術(shù)年會論文集[C];2009年

2 熊艷;馮志斌;;人群密集場所人流管控方案探討[A];中國職業(yè)安全健康協(xié)會2008年學(xué)術(shù)年會論文集[C];2008年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 記者 陳建強 通訊員 張軼帆;南開大學(xué) 實現(xiàn)人群密度與軌跡智能跟蹤[N];光明日報;2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 葉子;基于視覺計算的人群場景理解與行為分析[D];中國礦業(yè)大學(xué)（北京）;2013年

2 朱海龍;復(fù)雜氣象條件下動態(tài)人群場景分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 郄志安;基于視頻的目標跟蹤及人群密度估計方法研究[D];上海交通大學(xué);2015年

2 張兵;智能視頻監(jiān)控中人群密度分析及突發(fā)異常行為檢測[D];北京交通大學(xué);2016年

3 廖國銘;基于粘滯濾波器的集群行為方法研究[D];華南理工大學(xué);2016年

4 王健;人群密度估計方法的研究與實現(xiàn)[D];上海師范大學(xué);2016年

5 李杰;基于視頻的人群異常聚集檢測[D];中國地質(zhì)大學(xué)(北京);2016年

6 陳群;基于人群密度估計的視頻監(jiān)控技術(shù)[D];東華大學(xué);2016年

7 張琛;人群異常行為和人臉對齊算法設(shè)計[D];華南理工大學(xué);2015年

8 劉倩男;基于視頻的人群異常檢測方法研究[D];重慶大學(xué);2016年

9 孫敏;視頻監(jiān)控中人群密度估計和人群異常行為識別[D];中國計量學(xué)院;2016年

10 任慶云;智能視頻監(jiān)控中的人群密度估計方法[D];河北師范大學(xué);2011年

  本文關(guān)鍵詞：視頻監(jiān)控中人群密度估計和人群異常行為識別，由筆耕文化傳播整理發(fā)布。

，

本文編號：291914