視頻監(jiān)控系統(tǒng)在國家安全、社會公共安全等領(lǐng)域中扮演著重要的角色。近些年來,隨著計算機技術(shù)和視頻監(jiān)控技術(shù)的發(fā)展,監(jiān)控視頻數(shù)據(jù)呈指數(shù)級爆炸式增長。然而,視頻內(nèi)容的無結(jié)構(gòu)性質(zhì)是阻礙視頻監(jiān)控系統(tǒng)大規(guī)模應(yīng)用的瓶頸問題。如何有效地從海量的監(jiān)控視頻數(shù)據(jù)中提取有價值的信息,并且進(jìn)行準(zhǔn)確地結(jié)構(gòu)化表達(dá)和存儲,是目前智能視頻監(jiān)控系統(tǒng)亟待解決的關(guān)鍵問題。視頻內(nèi)容結(jié)構(gòu)化的核心問題是全方位、細(xì)粒度地識別和捕捉目標(biāo)各個成分的信息和它們之間的關(guān)聯(lián),從而輔佐計算機完成對監(jiān)控視頻內(nèi)容的有效理解和組織。針對這個核心問題,論文深入挖掘監(jiān)控視頻目標(biāo)圖像固有的空間結(jié)構(gòu)信息,并且進(jìn)行結(jié)構(gòu)關(guān)聯(lián),提出了一個“空間結(jié)構(gòu)語義感知”的研究框架。在這個研究框架下,論文針對監(jiān)控視頻的熱點問題對智能視頻監(jiān)控目標(biāo)理解的相關(guān)技術(shù)進(jìn)行了系統(tǒng)性的研究,提出了有效且實用的算法,并通過實驗驗證了這些算法的有效性。論文的主要工作和貢獻(xiàn)包括以下幾個方面:1.系統(tǒng)性地研究了視頻監(jiān)控中多目標(biāo)姿態(tài)估計問題,指出要解決監(jiān)控系統(tǒng)中常見的姿態(tài)多樣、人群密集等難點問題的核心在于充分捕捉主體目標(biāo)的全局姿態(tài)和局部上下文結(jié)構(gòu)的關(guān)聯(lián),本文從低中高層結(jié)構(gòu)感知和關(guān)聯(lián)出發(fā)提出了任務(wù)特異的多尺... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－１結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)（圖像取自ＤｕｋｅＭＴＭＣ－ｒｅｌＤ數(shù)據(jù)集⑴）比較，以及非結(jié)構(gòu)化??數(shù)據(jù)的空間結(jié)構(gòu)化表達(dá)??

展了目標(biāo)行人重識別的研究；（３）為同時處理真實監(jiān)控場景下的目標(biāo)發(fā)現(xiàn)、表達(dá)和搜索問??題，開展了高效的行人搜索的研究。上述三項研究內(nèi)容與智能視頻監(jiān)控的關(guān)鍵問題、本論??文解決的科學(xué)問題之間的對應(yīng)關(guān)系如圖１－６所示。在本論文中，監(jiān)控視頻首先通過目標(biāo)檢測??的方法對視頻中的主體目標(biāo)進(jìn)行發(fā)現(xiàn)，然后對主體目標(biāo)建立空間結(jié)構(gòu)語義感知的分析和檢??索模型，通過公開數(shù)據(jù)集對模型進(jìn)行訓(xùn)練、評估。多人姿態(tài)估計的目的是預(yù)測給定場景中??每一個目標(biāo)人物的姿態(tài)，它在后續(xù)分析監(jiān)控中目標(biāo)的動作、狀態(tài)，關(guān)聯(lián)目標(biāo)間關(guān)系有著重??要的應(yīng)用；行人重識別技術(shù)是在對監(jiān)控中每一個目標(biāo)主體進(jìn)行建模和特征提取之后，在不??同攝像頭視角下匹配和關(guān)聯(lián)相同身份的人物，它在查找可疑人員、跟蹤特定人物的行動軌??跡中扮演著重要的角色；在此基礎(chǔ)上，行人搜索更加貼近于實際場景，不僅需要考慮目標(biāo)??圖片的匹配問題，還需要考慮到行人檢測對系統(tǒng)的整體影響，在算法有效性的基礎(chǔ)上同時??７??

圖２－１不同卷積結(jié)構(gòu)的演變??特征表達(dá)方法。在目標(biāo)圖像分析的過程中，往往會遇到目標(biāo)尺度不一致、姿態(tài)多變的現(xiàn)象。??為了加深模型對于圖像的識別能力，在原有卷積結(jié)構(gòu)的基礎(chǔ)上（如圖２－１?（ａ）所示），研究??人員探索了不同卷積結(jié)構(gòu)的變種，以捕捉目標(biāo)圖片的多尺度結(jié)構(gòu)信息。其中，較為著名的??卷積結(jié)構(gòu)包括Ｉｎｃｅｐｔｉｏｎ結(jié)構(gòu)１７１?（圖２－１?（ｂ））、帶孔卷積結(jié)構(gòu)１５９】（圖２－１?（ｃ））以及它們的各??種變體［６４＾１。其中，Ｉｎｃｅｐｔｉｏｎ結(jié)構(gòu)通過多尺度的卷積核捕捉不同窗口下的特征信息，帶孔??卷積結(jié)構(gòu)使用隔像素卷積的方式，在計算量不變的情況下獲取更大范圍的特征信息。目前，??越來越多的任務(wù)需要對圖像的本身內(nèi)容進(jìn)行更加細(xì)粒度的理解和識別，多尺度特征往往會??增強模型的魯棒性和表達(dá)能力。??從“黑盒”到“透明”的趨勢。為了增加模型的可解釋性，同時方便在模型訓(xùn)練中發(fā)現(xiàn)??相應(yīng)規(guī)律并對模型進(jìn)行進(jìn)一步優(yōu)化與調(diào)試，研究人員通過引入“注意力機制”，增加模型的??透明度。注意力機制１６７１通過自適應(yīng)地選擇任務(wù)關(guān)注區(qū)域位置的方法來訓(xùn)練網(wǎng)絡(luò)，例如，在??圖像標(biāo)注任務(wù)中


本文編號：3272714