為實現(xiàn)復(fù)雜場景下端對端實時視頻監(jiān)控異常目標(biāo)檢測與定位,借鑒目標(biāo)檢測思路,提出端對端SSD實時視頻監(jiān)控異常目標(biāo)檢測與定位算法。本算法在卷積神經(jīng)網(wǎng)絡(luò)6個不同尺度卷積特征圖上采用2組3×3卷積核設(shè)置目標(biāo)預(yù)選框得到異常分類及更加準(zhǔn)確完整的異常目標(biāo)邊界框,完成異常檢測一步式實現(xiàn),同時該方法每秒可處理近58幀視頻,滿足實時性需要。本文算法在UCSD Ped1和Ped2中進(jìn)行實驗,并在3種不同評價準(zhǔn)則下進(jìn)行性能評估,在嚴(yán)格雙像素準(zhǔn)則下,Ped2中EER優(yōu)于Cascade DNN 9.71%,優(yōu)于Mohammad Sabokrou 13.41%,實驗結(jié)果表明,本方法能夠有效檢測視頻中異常行為且準(zhǔn)確率較高。 

【文章來源】：燕山大學(xué)學(xué)報. 2020,44(05)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

SSD工作原理框圖及預(yù)選框生成規(guī)則示意圖

非極大值抑制過程示意圖

在UCSDPed2中異常檢測效果如圖5所示,在UCSDPed1中異常檢測效果如圖6所示,其中框的左上角顯示normal表示運(yùn)動活動區(qū)域,顯示abnormal表示異常所在位置,由圖可見,本文算法對于UCSD數(shù)據(jù)集中的自行車、小型汽車、滑板等異常目標(biāo)皆能做出較為準(zhǔn)確的異常檢測,同時得到的異常目標(biāo)邊界框較傳統(tǒng)的分塊方法如S-TCNN[2]更為適應(yīng),定位也更為精準(zhǔn)。圖6 UCSD Ped1 中異常檢測及定位示例

【參考文獻(xiàn)】：
期刊論文
[1]時空深度特征AP聚類的稀疏表示視頻異常檢測算法[J]. 胡正平,張樂,尹艷華.  信號處理. 2019(03)



本文編號：3569651