近年來(lái),隨著經(jīng)濟(jì)的發(fā)展,在一些公共場(chǎng)合,人群聚集現(xiàn)象越來(lái)越頻繁,人群密度過(guò)高時(shí)容易發(fā)生一些不可控的群體性事件,因此,對(duì)人群進(jìn)行監(jiān)控,及時(shí)發(fā)現(xiàn)人群密度過(guò)高和其他異常事件是非常關(guān)鍵的。本文針對(duì)人群密度異常和人群行為異常兩方面進(jìn)行研究,主要研究工作如下:1)一般的人群密度估計(jì)算法會(huì)受到人群遮擋的影響,很難對(duì)不同密度等級(jí)的人群進(jìn)行準(zhǔn)確估計(jì)。本文采用了基于前景像素的人數(shù)估計(jì)算法,首先,對(duì)場(chǎng)景進(jìn)行背景建模,并對(duì)輸入圖像進(jìn)行區(qū)域分割以減少透視效應(yīng)的影響,再計(jì)算以人群為前景的像素大小,針對(duì)不同位置的前景使用不同的比例系數(shù),并針對(duì)遮擋的問(wèn)題,提出一種新的遮擋系數(shù)的計(jì)算方法。而后,針對(duì)紋理特征檢測(cè)密度會(huì)受到背景的影響,采用了一種只檢測(cè)前景圖像的紋理特征的人群密度估計(jì)算法。2)對(duì)人群異常行為檢測(cè)難度較大,因?yàn)楫惓１旧砗軓?fù)雜而且異常種類(lèi)很多,很難檢測(cè)出所有的異常種類(lèi)。因此本文以包含正常人群的樣本為訓(xùn)練集,使用字典學(xué)習(xí)得到一個(gè)合適的字典。并使用字典對(duì)待測(cè)樣本進(jìn)行稀疏表示,根據(jù)稀疏重建能量值或者殘差的大小對(duì)待測(cè)樣本進(jìn)行判定。異常樣本的重建能量值和殘差都較高,正常樣本的值較低。由于一般的檢測(cè)方法字典是固定的,難以滿(mǎn)... 

【文章來(lái)源】：長(zhǎng)春理工大學(xué)吉林省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 人群密度估計(jì)研究現(xiàn)狀
        1.2.2 人群異常檢測(cè)研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容與結(jié)構(gòu)
第2章 相關(guān)技術(shù)概述
    2.1 前景提取算法
        2.1.1 幀間差分法
        2.1.2 混合高斯背景模型
        2.1.3 ViBe算法
    2.2 稀疏表示理論
        2.2.1 稀疏模型
        2.2.2 稀疏分解算法
    2.3 字典學(xué)習(xí)
        2.3.1 最佳方向法
        2.3.2 K-SVD算法
    2.4 稀疏表示分類(lèi)
    2.5 本章小結(jié)
第3章 人群密度檢測(cè)
    3.1 基于像素特征的人群計(jì)數(shù)
        3.1.1 區(qū)域劃分
        3.1.2 計(jì)算遮擋系數(shù)
        3.1.3 基于像素特征方法的實(shí)驗(yàn)與結(jié)果
    3.2 基于紋理特征的密度估計(jì)
        3.2.1 圖像紋理特征
        3.2.2 支持向量機(jī)
        3.2.3 結(jié)合前景圖的紋理分析
        3.2.4 紋理分析方法實(shí)驗(yàn)與結(jié)果
    3.3 本章小結(jié)
第4章 基于稀疏表示的人群異常行為檢測(cè)
    4.1 人群特征提取
        4.1.1 特征點(diǎn)匹配法
        4.1.2 L-K光流法
    4.2 多尺度光流直方圖
    4.3 特征字典學(xué)習(xí)
        4.3.1 正交匹配追蹤
        4.3.2 構(gòu)建加權(quán)OMP
    4.4 異常判斷
    4.5 字典在線(xiàn)更新
    4.6 實(shí)驗(yàn)仿真與結(jié)果分析
    4.7 本章小結(jié)
第5章 結(jié)論
參考文獻(xiàn)
附錄A 攻讀碩士學(xué)位期間發(fā)表的論文和專(zhuān)利
致謝


【參考文獻(xiàn)】：
期刊論文
[1]SAR圖像紋理特征相關(guān)變化檢測(cè)的震害建筑物提取[J]. 李強(qiáng),張景發(fā),龔麗霞,薛騰飛,蔣洪波.  遙感學(xué)報(bào). 2018(S1)
[2]人群密度估計(jì)綜述[J]. 江中華.  輕工科技. 2018(10)
[3]融合直方圖高階統(tǒng)計(jì)特征與GLCM特征的室內(nèi)紅外圖像人群密度分類(lèi)[J]. 李熙瑩,黃秋筱.  紅外技術(shù). 2017(07)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)方法[J]. 譚智勇,袁家政,劉宏哲,李青.  計(jì)算機(jī)應(yīng)用與軟件. 2017(07)
[5]一種基于心理學(xué)模型的人群踩踏情景仿真方法[J]. 劉婷婷,劉箴,柴艷杰,劉翠娟,陳佳鑫.  系統(tǒng)仿真學(xué)報(bào). 2016(10)
[6]基于支持向量機(jī)的遙感圖像分類(lèi)研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計(jì)算機(jī)科學(xué). 2016(09)
[7]基于背景差分和光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[J]. 劉榮,金國(guó)偉.  現(xiàn)代制造技術(shù)與裝備. 2015(02)
[8]基于分層光流的煤礦井下運(yùn)動(dòng)目標(biāo)跟蹤算法[J]. 程德強(qiáng),劉潔,郭政.  工礦自動(dòng)化. 2015(03)
[9]圖像稀疏表示及其在圖像處理中的應(yīng)用[J]. 孫君頂,趙慧慧.  紅外技術(shù). 2014(07)
[10]基于角點(diǎn)檢測(cè)與SIFT算法的快速匹配方法[J]. 陳長(zhǎng)偉.  計(jì)算機(jī)應(yīng)用與軟件. 2014(07)

博士論文
[1]基于稀疏分解的說(shuō)話(huà)人識(shí)別技術(shù)研究[D]. 徐瓏婷.南京郵電大學(xué) 2017

碩士論文
[1]基于稀疏表示和字典學(xué)習(xí)的雷達(dá)目標(biāo)識(shí)別方法研究[D]. 胡允侃.南京航空航天大學(xué) 2018
[2]基于稀疏表示的圖像分類(lèi)技術(shù)研究[D]. 趙慧慧.河南理工大學(xué) 2015
[3]基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究[D]. 郄志安.上海交通大學(xué) 2015
[4]面向視頻監(jiān)控應(yīng)用的人群分析研究[D]. 盧曉威.上海交通大學(xué) 2015



本文編號(hào)：3202894