發(fā)布時(shí)間：2017-07-20 02:13

  本文關(guān)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(cè)

  更多相關(guān)文章： 灰度共生矩陣 異常樣本 支持向量機(jī)(SVM) 迭代訓(xùn)練 網(wǎng)格處理 像素統(tǒng)計(jì) 瞬時(shí)能量特征

【摘要】：當(dāng)今社會(huì)環(huán)境中,人群場(chǎng)景逐漸普遍化、多樣化、復(fù)雜化,隨之而來(lái)有關(guān)人群的公共管理與公共安全問(wèn)題日漸嚴(yán)峻,這給監(jiān)管人員帶了巨大的挑戰(zhàn)。人群密度估計(jì)與突發(fā)異常行為檢測(cè)是智能人群監(jiān)控系統(tǒng)中最為重要的研究?jī)?nèi)容,國(guó)內(nèi)外學(xué)者對(duì)此已做了大量的工作,但仍然存在一些問(wèn)題。人群密度估計(jì)算法中,在描述人群紋理特征時(shí),只考慮圖像的整體特征而忽略了圖像的局部細(xì)節(jié),使得對(duì)圖像紋理的描述不夠全面,同時(shí)對(duì)人群密度等級(jí)分類(lèi)器的訓(xùn)練過(guò)程還需進(jìn)一步的優(yōu)化；人群突發(fā)異常的檢測(cè)算法中,多數(shù)檢測(cè)模型不能較好的描述人群運(yùn)動(dòng)狀態(tài)的變化特征,在人群突然發(fā)生異常時(shí)跟蹤不及時(shí),人群異常特征描述不顯著。針對(duì)上述問(wèn)題,本文分別提出了改進(jìn)方法：采用融合局部與整體灰度共生矩陣(GLCM)的描述算子對(duì)人群紋理進(jìn)行描述；在分類(lèi)器的訓(xùn)練過(guò)程中,基于貝葉斯估計(jì)對(duì)異常樣本進(jìn)行濾除,并且改進(jìn)了基于K-means聚類(lèi)的迭代訓(xùn)練算法：對(duì)于人群突發(fā)異常檢測(cè),建立了基于瞬時(shí)能量特征的突發(fā)異常檢測(cè)模型。論文的具體工作如下：1、結(jié)合前景像素特征與紋理特征的人群密度估計(jì)算法。首先根據(jù)透視模型將感興趣的前景圖像按比例進(jìn)行分塊,然后對(duì)分塊內(nèi)圖像中前景像素所占比例進(jìn)行統(tǒng)計(jì),將特定的面積占比作為選擇閾值,當(dāng)小于閾值時(shí)采用基于前景像素的回歸統(tǒng)計(jì)算法,反之則采用基于紋理特征的機(jī)器學(xué)習(xí)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(gòu)成特征向量對(duì)人群密度進(jìn)行分類(lèi)。在訓(xùn)練支持向量機(jī)模型的過(guò)程中,采用基于貝葉斯估計(jì)的方法對(duì)異常樣本進(jìn)行濾除,然后基于改進(jìn)K-means聚類(lèi)的迭代訓(xùn)練算法訓(xùn)練獲得人群密度等級(jí)分類(lèi)器。2、基于瞬時(shí)能量特征的人群突發(fā)異常檢測(cè)算法。本文提出了基于像素統(tǒng)計(jì)分析的運(yùn)動(dòng)特征點(diǎn)提取方法,使得提取的特征點(diǎn)更具有代表性,該方法首先將視頻進(jìn)行網(wǎng)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(yùn)動(dòng)區(qū)域,最后根據(jù)網(wǎng)格內(nèi)的前景像素占比獲取運(yùn)動(dòng)特征點(diǎn)�；诰W(wǎng)格內(nèi)的運(yùn)動(dòng)特征點(diǎn)構(gòu)建人群的瞬時(shí)能量特征,首先利用光流法獲得網(wǎng)格內(nèi)特征點(diǎn)的運(yùn)動(dòng)矢量,然后計(jì)算網(wǎng)格的基本能量特征,最后建立人群的瞬時(shí)能量特征對(duì)人群突發(fā)異常進(jìn)行檢測(cè)。通過(guò)仿真實(shí)驗(yàn)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(lèi)準(zhǔn)確率達(dá)到了96.2%；采用基于貝葉斯估計(jì)的方法濾除異常樣本后的訓(xùn)練集對(duì)分類(lèi)器進(jìn)行訓(xùn)練,平均分類(lèi)正確率提升至98%；采用改進(jìn)K-means聚類(lèi)的迭代訓(xùn)練方法,使得訓(xùn)練時(shí)間降低至2.4s,測(cè)試時(shí)間降低至43.9ms：在分別與基于動(dòng)能特征和基于社會(huì)力模型的對(duì)比實(shí)驗(yàn)中,基于瞬時(shí)能量的人群突發(fā)異常檢測(cè)算法無(wú)論是在異常發(fā)生時(shí)的響應(yīng)速度還是對(duì)人群運(yùn)動(dòng)狀態(tài)變化的描述,都顯示出了突出的優(yōu)越性。
【關(guān)鍵詞】：灰度共生矩陣 異常樣本 支持向量機(jī)(SVM) 迭代訓(xùn)練 網(wǎng)格處理 像素統(tǒng)計(jì) 瞬時(shí)能量特征
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：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(jí)分類(lèi)研究現(xiàn)狀14-16
• 1.3.2 人群異常檢測(cè)研究現(xiàn)狀16-17
• 1.3.3 研究現(xiàn)狀總結(jié)17-18
• 1.4 本文的工作內(nèi)容及安排18-20
• 2 人群密度等級(jí)分類(lèi)算法20-32
• 2.1 算法概述20-21
• 2.2 圖像預(yù)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(yù)處理與標(biāo)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(jì)的回歸算法25-26
• 2.4 基于紋理特征的學(xué)習(xí)分類(lèi)算法26-31
• 2.4.1 支持向量機(jī)模型的建立26-27
• 2.4.2 基于貝葉斯估計(jì)的異常樣本濾除27-29
• 2.4.3 基于改進(jìn)K-means聚類(lèi)的迭代訓(xùn)練算法29-31
• 2.5 本章小結(jié)31-32
• 3 基于瞬時(shí)能量特征的人群異常檢測(cè)32-46
• 3.1 基于像素統(tǒng)計(jì)分析的運(yùn)動(dòng)特征點(diǎn)提取32-39
• 3.1.1 視頻圖像的網(wǎng)格化處理33
• 3.1.2 前景運(yùn)動(dòng)區(qū)域檢測(cè)33-37
• 3.1.3 運(yùn)動(dòng)特征點(diǎn)獲取37-39
• 3.2 基于光流的運(yùn)動(dòng)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(wǎng)格的運(yùn)動(dòng)向量41-42
• 3.3 基于瞬時(shí)能量特征的人群異常檢測(cè)42-45
• 3.3.1 人群的基本能量特征42-43
• 3.3.2 人群的瞬時(shí)能量特征43-45
• 3.3.3 人群的異常檢測(cè)45
• 3.4 本章小結(jié)45-46
• 4 實(shí)驗(yàn)與分析46-58
• 4.1 人群密度等級(jí)分類(lèi)算法的實(shí)驗(yàn)分析46-51
• 4.1.1 紋理特征描述及總體算法性能的實(shí)驗(yàn)分析46-49
• 4.1.2 異常樣本濾除對(duì)分類(lèi)性能的影響49-50
• 4.1.3 改進(jìn)迭代訓(xùn)練算法對(duì)訓(xùn)練效率的提升50-51
• 4.2 人群異常檢測(cè)模型的實(shí)驗(yàn)分析51-57
• 4.2.1 獲取視頻圖像瞬時(shí)能量特征52
• 4.2.2 確定異常檢測(cè)相關(guān)閾值52-53
• 4.2.3 人群異常檢測(cè)的實(shí)驗(yàn)分析53-57
• 4.3 本章小結(jié)57-58
• 5 結(jié)論與展望58-60
• 5.1 論文工作總結(jié)58-59
• 5.2 下一步工作展望59-60
• 參考文獻(xiàn)60-63
• 作者簡(jiǎn)歷63-65
• 學(xué)位論文數(shù)據(jù)集65

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(jì)快速方法[J];計(jì)算機(jī)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(jì)方法[J];計(jì)算機(jī)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(jí)分類(lèi)模型[J];模式識(shí)別與人工智能;2011年01期

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

5 楊裕;朱秋煜;吳喜梅;;復(fù)雜場(chǎng)景中的自動(dòng)人群密度估計(jì)[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(jì)[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

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

8 黃璐;林燕;;一種基于視頻的車(chē)站人群密度估計(jì)算法[J];計(jì)算機(jī)時(shí)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(cè)的人群密度估計(jì)方法[J];中國(guó)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(yuǎn)錢(qián);;多種人群密度場(chǎng)景下的人群計(jì)數(shù)[J];中國(guó)圖象圖形學(xué)報(bào);2013年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

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

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

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 記者 陳建強(qiáng) 通訊員 張軼帆;南開(kāi)大學(xué) 實(shí)現(xiàn)人群密度與軌跡智能跟蹤[N];光明日?qǐng)?bào);2012年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 葉子;基于視覺(jué)計(jì)算的人群場(chǎng)景理解與行為分析[D];中國(guó)礦業(yè)大學(xué)（北京）;2013年

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

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 付敏;基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)[D];電子科技大學(xué);2014年

2 陶茂輝;基于視頻圖像的人群密度估計(jì)研究[D];電子科技大學(xué);2014年

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

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

5 吳明仙;異常群體事件檢測(cè)方法研究[D];重慶大學(xué);2015年

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

7 郄志安;基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究[D];上海交通大學(xué);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(cè)[D];北京交通大學(xué);2016年

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

10 張q，

本文編號(hào)：565822