本文關鍵詞：智能視頻監(jiān)控中人群密度分析及突發(fā)異常行為檢測

  更多相關文章： 灰度共生矩陣 異常樣本 支持向量機(SVM) 迭代訓練 網格處理 像素統(tǒng)計 瞬時能量特征

【摘要】：當今社會環(huán)境中,人群場景逐漸普遍化、多樣化、復雜化,隨之而來有關人群的公共管理與公共安全問題日漸嚴峻,這給監(jiān)管人員帶了巨大的挑戰(zhàn)。人群密度估計與突發(fā)異常行為檢測是智能人群監(jiān)控系統(tǒng)中最為重要的研究內容,國內外學者對此已做了大量的工作,但仍然存在一些問題。人群密度估計算法中,在描述人群紋理特征時,只考慮圖像的整體特征而忽略了圖像的局部細節(jié),使得對圖像紋理的描述不夠全面,同時對人群密度等級分類器的訓練過程還需進一步的優(yōu)化；人群突發(fā)異常的檢測算法中,多數(shù)檢測模型不能較好的描述人群運動狀態(tài)的變化特征,在人群突然發(fā)生異常時跟蹤不及時,人群異常特征描述不顯著。針對上述問題,本文分別提出了改進方法：采用融合局部與整體灰度共生矩陣(GLCM)的描述算子對人群紋理進行描述；在分類器的訓練過程中,基于貝葉斯估計對異常樣本進行濾除,并且改進了基于K-means聚類的迭代訓練算法：對于人群突發(fā)異常檢測,建立了基于瞬時能量特征的突發(fā)異常檢測模型。論文的具體工作如下：1、結合前景像素特征與紋理特征的人群密度估計算法。首先根據(jù)透視模型將感興趣的前景圖像按比例進行分塊,然后對分塊內圖像中前景像素所占比例進行統(tǒng)計,將特定的面積占比作為選擇閾值,當小于閾值時采用基于前景像素的回歸統(tǒng)計算法,反之則采用基于紋理特征的機器學習算法。采用融合局部與整體灰度共生矩陣(GLCM)的描述算子提取視頻圖像中人群的紋理特征,構成特征向量對人群密度進行分類。在訓練支持向量機模型的過程中,采用基于貝葉斯估計的方法對異常樣本進行濾除,然后基于改進K-means聚類的迭代訓練算法訓練獲得人群密度等級分類器。2、基于瞬時能量特征的人群突發(fā)異常檢測算法。本文提出了基于像素統(tǒng)計分析的運動特征點提取方法,使得提取的特征點更具有代表性,該方法首先將視頻進行網格化處理,然后利用混合高斯模型建立視頻的背景模型,利用背景減的方法獲得前景運動區(qū)域,最后根據(jù)網格內的前景像素占比獲取運動特征點。基于網格內的運動特征點構建人群的瞬時能量特征,首先利用光流法獲得網格內特征點的運動矢量,然后計算網格的基本能量特征,最后建立人群的瞬時能量特征對人群突發(fā)異常進行檢測。通過仿真實驗得出,采用融合局部與整體灰度共生矩陣的紋理特征描述算子,平均分類準確率達到了96.2%；采用基于貝葉斯估計的方法濾除異常樣本后的訓練集對分類器進行訓練,平均分類正確率提升至98%；采用改進K-means聚類的迭代訓練方法,使得訓練時間降低至2.4s,測試時間降低至43.9ms：在分別與基于動能特征和基于社會力模型的對比實驗中,基于瞬時能量的人群突發(fā)異常檢測算法無論是在異常發(fā)生時的響應速度還是對人群運動狀態(tài)變化的描述,都顯示出了突出的優(yōu)越性。
【關鍵詞】：灰度共生矩陣 異常樣本 支持向量機(SVM) 迭代訓練 網格處理 像素統(tǒng)計 瞬時能量特征
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 致謝5-6
• 摘要6-8
• ABSTRACT8-12
• 1 緒論12-20
• 1.1 研究背景與意義12-13
• 1.2 人群智能監(jiān)控概述13-14
• 1.3 人群智能監(jiān)控研究現(xiàn)狀14-18
• 1.3.1 人群密度等級分類研究現(xiàn)狀14-16
• 1.3.2 人群異常檢測研究現(xiàn)狀16-17
• 1.3.3 研究現(xiàn)狀總結17-18
• 1.4 本文的工作內容及安排18-20
• 2 人群密度等級分類算法20-32
• 2.1 算法概述20-21
• 2.2 圖像預處理21-25
• 2.2.1 圖像子塊的劃分21-22
• 2.2.2 圖像子塊的預處理與標定22-23
• 2.2.3 融合局部與整體灰度共生矩陣的紋理特征描述23-25
• 2.3 基于前景像素統(tǒng)計的回歸算法25-26
• 2.4 基于紋理特征的學習分類算法26-31
• 2.4.1 支持向量機模型的建立26-27
• 2.4.2 基于貝葉斯估計的異常樣本濾除27-29
• 2.4.3 基于改進K-means聚類的迭代訓練算法29-31
• 2.5 本章小結31-32
• 3 基于瞬時能量特征的人群異常檢測32-46
• 3.1 基于像素統(tǒng)計分析的運動特征點提取32-39
• 3.1.1 視頻圖像的網格化處理33
• 3.1.2 前景運動區(qū)域檢測33-37
• 3.1.3 運動特征點獲取37-39
• 3.2 基于光流的運動特征提取39-42
• 3.2.1 光流法的基本原理39-40
• 3.2.2 Lucas-Kanade光流算法40-41
• 3.2.3 獲取網格的運動向量41-42
• 3.3 基于瞬時能量特征的人群異常檢測42-45
• 3.3.1 人群的基本能量特征42-43
• 3.3.2 人群的瞬時能量特征43-45
• 3.3.3 人群的異常檢測45
• 3.4 本章小結45-46
• 4 實驗與分析46-58
• 4.1 人群密度等級分類算法的實驗分析46-51
• 4.1.1 紋理特征描述及總體算法性能的實驗分析46-49
• 4.1.2 異常樣本濾除對分類性能的影響49-50
• 4.1.3 改進迭代訓練算法對訓練效率的提升50-51
• 4.2 人群異常檢測模型的實驗分析51-57
• 4.2.1 獲取視頻圖像瞬時能量特征52
• 4.2.2 確定異常檢測相關閾值52-53
• 4.2.3 人群異常檢測的實驗分析53-57
• 4.3 本章小結57-58
• 5 結論與展望58-60
• 5.1 論文工作總結58-59
• 5.2 下一步工作展望59-60
• 參考文獻60-63
• 作者簡歷63-65
• 學位論文數(shù)據(jù)集65

【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)學報;2007年06期

5 楊裕;朱秋煜;吳喜梅;;復雜場景中的自動人群密度估計[J];現(xiàn)代電子技術;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年學術年會論文集[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年學術年會論文集[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 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（北京）;2013年

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

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 付敏;基于卷積神經網絡的人群密度估計[D];電子科技大學;2014年

2 陶茂輝;基于視頻圖像的人群密度估計研究[D];電子科技大學;2014年

3 張愉;視頻監(jiān)控場景中的人群密度估計研究[D];浙江工商大學;2015年

4 王道明;智能視頻監(jiān)控中人流量問題的研究[D];合肥工業(yè)大學;2015年

5 吳明仙;異常群體事件檢測方法研究[D];重慶大學;2015年

6 魯江坤;不同人群密度環(huán)境下行人檢測方法研究[D];重慶大學;2015年

7 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;2015年

8 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;2016年

9 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;2011年

10 張q，

本文編號：565822