本文關(guān)鍵詞：視覺(jué)關(guān)鍵詞稀疏表示的全局異常事件檢測(cè)研究

  更多相關(guān)文章： 全局異常事件檢測(cè) HMOFP 視覺(jué)關(guān)鍵詞 K-means聚類(lèi) 稀疏表示

【摘要】：由于很多不法分子為了破壞公共秩序危害人們的生命安全,在很多人群密集的公共場(chǎng)所實(shí)施犯罪行為,如地鐵站、火車(chē)站、商場(chǎng)等,其破壞力極大,所以公共安全越來(lái)越引起世界各個(gè)國(guó)家的重視,視頻監(jiān)控異常檢測(cè)技術(shù)的研究成為該領(lǐng)域的主要方向之一。本文結(jié)合計(jì)算機(jī)視覺(jué)、圖像處理、模式識(shí)別等相關(guān)知識(shí),提出了HMOFP特征稀疏表示與視覺(jué)關(guān)鍵詞稀疏表示的全局異常事件檢測(cè)研究的方法,具體研究如下：(1)本文采用改進(jìn)的最大光流投影直方圖(HMOFP)方法提取特征,首先利用HS光流算法提取光流場(chǎng),舍棄幅值過(guò)小的光流減少計(jì)算時(shí)間,然后將0°-360°平均分割為八個(gè)方向區(qū)域,光流矢量按照方向分布在八個(gè)不同的方向區(qū)域,取某方向中所有光流矢量在其角平分線上的最大投影值作為該方向的特征描述子。(2)正常行為模式字典的構(gòu)建是本文的重點(diǎn)研究之一。本文基于特征的相似性與最大光流投影直方圖特征(HMOFP)的性質(zhì),提出了一種新的字典優(yōu)化算法,首先對(duì)一定數(shù)量連續(xù)的正常幀提取HMOFP特征作為正常行為模式的初始字典,然后利用K-means進(jìn)行聚類(lèi),將同一類(lèi)中所有特征每一行的最大值組成的列向量作為優(yōu)化后字典的一個(gè)原子(也就是一列),所有類(lèi)的列向量組成的矩陣構(gòu)成優(yōu)化后的正常行為模式字典。(3)本文提出的第二種字典構(gòu)建的方法基于特征的相似性與圖像的視覺(jué)關(guān)鍵詞,同樣取一定數(shù)量連續(xù)的正常幀,首先對(duì)幀圖像進(jìn)行分塊處理,利用改進(jìn)的HMOFP提取局部子區(qū)域特征,然后對(duì)所有的局部子區(qū)域特征進(jìn)行K-means聚類(lèi)處理,將類(lèi)中心級(jí)聯(lián)構(gòu)成整幀圖像運(yùn)動(dòng)信息的視覺(jué)關(guān)鍵詞,最后所有正常幀的視覺(jué)關(guān)鍵詞構(gòu)成了正常行為模式的字典。(4)利用OMP算法與正常行為模式字典求出待測(cè)樣本的稀疏表示系數(shù),根據(jù)稀疏重構(gòu)代價(jià)原理(SRC)進(jìn)行異常事件檢測(cè)。通過(guò)設(shè)定閾值,大于等于該閾值的判斷為異常事件,小于閾值的判斷為正常事件。實(shí)驗(yàn)結(jié)果表明,基于HMOFP特征稀疏表示的全局異常事件檢測(cè)方法準(zhǔn)確率達(dá)到91%以上；視覺(jué)關(guān)鍵詞稀疏表示的全局異常事件檢測(cè)方法準(zhǔn)確率達(dá)到97%以上,能夠有效地進(jìn)行擁擠場(chǎng)景全局異常事件檢測(cè)。
【關(guān)鍵詞】：全局異常事件檢測(cè) HMOFP 視覺(jué)關(guān)鍵詞 K-means聚類(lèi) 稀疏表示
【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6-7
• ABSTRACT7-11
• 1 引言11-16
• 1.1 課題研究背景與意義11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 國(guó)內(nèi)外研究現(xiàn)狀12-13
• 1.2.2 國(guó)外研究狀況13-14
• 1.3 本文的研究?jī)?nèi)容14
• 1.4 論文的組織結(jié)構(gòu)14-16
• 2 異常事件檢測(cè)相關(guān)綜述16-32
• 2.1 異常狀態(tài)定義16
• 2.2 特征提取算法16-23
• 2.2.1 Horn-Schunck光流算法17-19
• 2.2.2 Lucas-Kanade光流算法19-21
• 2.2.3 光流直方圖(HOF)21-22
• 2.2.4 本文的特征提取算法22-23
• 2.3 稀疏表示相關(guān)研究23-28
• 2.3.1 稀疏表示理論24-25
• 2.3.2 稀疏表示求解算法25-27
• 2.3.3 稀疏表示在計(jì)算機(jī)視覺(jué)中的應(yīng)用27-28
• 2.4 字典的構(gòu)建及優(yōu)化28-31
• 2.4.1 特征相似性與視覺(jué)關(guān)鍵詞29-30
• 2.4.2 K-means聚類(lèi)算法30-31
• 2.5 本章小結(jié)31-32
• 3 基于HMOFP特征稀疏表示的全局異常事件檢測(cè)32-41
• 3.1 運(yùn)動(dòng)特征的提取32-33
• 3.2 正常行為模式字典的構(gòu)建及優(yōu)化33-35
• 3.3 全局異常事件檢測(cè)35-36
• 3.4 實(shí)驗(yàn)結(jié)果與對(duì)比分析36-40
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)標(biāo)準(zhǔn)36-37
• 3.4.2 實(shí)驗(yàn)結(jié)果與分析37-39
• 3.4.3 對(duì)比分析39-40
• 3.5 本章小結(jié)40-41
• 4 視覺(jué)關(guān)鍵詞稀疏表示的全局異常事件檢測(cè)41-46
• 4.1 運(yùn)動(dòng)特征的提取41
• 4.2 常行為模式字典的構(gòu)建41-43
• 4.3 全局異常事件檢測(cè)43
• 4.4 實(shí)驗(yàn)結(jié)果與對(duì)比分析43-45
• 4.4.1 實(shí)驗(yàn)結(jié)果與分析43-44
• 4.4.2 對(duì)比分析44-45
• 4.5 本章小結(jié)45-46
• 5 總結(jié)與展望46-48
• 5.1 總結(jié)46-47
• 5.2 展望47-48
• 參考文獻(xiàn)48-52
• 作者簡(jiǎn)歷及攻讀碩士/博士學(xué)位期間取得的研究成果52-54
• 學(xué)位論文數(shù)據(jù)集54

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

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

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

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

1 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

2 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

3 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

4 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

6 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類(lèi)法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 張宏樂(lè);語(yǔ)音信號(hào)稀疏表示方法研究[D];太原理工大學(xué);2016年

10 郭欣;基于K-SVD稀疏表示的語(yǔ)音增強(qiáng)算法研究[D];太原理工大學(xué);2016年

，

本文編號(hào)：745272