【摘要】：如今,社會(huì)的安全形勢日益復(fù)雜,傳統(tǒng)的監(jiān)控識(shí)別算法的識(shí)別效果已經(jīng)不能滿足需求,隨著計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)的理論和研究的迅猛發(fā)展,可以用更加智能的算法替代傳統(tǒng)識(shí)別算法。本文主要研究了基于深度網(wǎng)絡(luò)的監(jiān)控識(shí)別算法,并將算法應(yīng)用在智能監(jiān)控系統(tǒng)當(dāng)中。與傳統(tǒng)的監(jiān)控識(shí)別算法不同,本文的深度網(wǎng)絡(luò)不需要人為的對特征進(jìn)行設(shè)計(jì),也不需要根據(jù)環(huán)境和算法人為的調(diào)整參數(shù),而是設(shè)計(jì)了一個(gè)多尺度的卷積神經(jīng)網(wǎng)絡(luò),在行為視頻庫上訓(xùn)練出了可以提取人體行為的網(wǎng)絡(luò)模型,將其作為監(jiān)控異常行為的算法。此外在YOLO網(wǎng)絡(luò)的基礎(chǔ)上,再用行人圖片庫優(yōu)化了網(wǎng)絡(luò)的特征提取能力后,設(shè)計(jì)了入侵檢測算法和徘徊檢測算法,算法都在仿真實(shí)驗(yàn)中取得了優(yōu)秀的識(shí)別效果,最后將算法都應(yīng)用在了智能監(jiān)控識(shí)別系統(tǒng)之中。本論文重點(diǎn)實(shí)現(xiàn)了基于改進(jìn)多尺度神經(jīng)網(wǎng)絡(luò)的行為識(shí)別算法和基于YOLO的入侵檢測算法和徘徊檢測算法,具體的工作如下:1.研究3D CNN,通過用更長的視頻輸入,對灰度通道和光流通道進(jìn)行獨(dú)立卷積連接下層網(wǎng)絡(luò)的方式,改進(jìn)了輸入層,使得第一層卷積層的卷積核可以有專一性的特征提取能力;在網(wǎng)絡(luò)結(jié)構(gòu)中增加了三維時(shí)空下采樣層,給網(wǎng)絡(luò)在時(shí)間尺度上增加了平移不變性,提升了網(wǎng)絡(luò)對視頻識(shí)別的魯棒性;增加了NIN結(jié)構(gòu),使網(wǎng)絡(luò)有非線性特征的提取能力;增加了時(shí)空金字塔結(jié)構(gòu),使得整個(gè)網(wǎng)絡(luò)中可以輸入不同分辨率,不同時(shí)長的視頻,使得本模型適用于真實(shí)環(huán)境的視頻監(jiān)控,加強(qiáng)了網(wǎng)絡(luò)的應(yīng)用價(jià)值。2.對YOLO網(wǎng)絡(luò)進(jìn)行新的訓(xùn)練,加強(qiáng)網(wǎng)絡(luò)中的人體特征提取能力,將網(wǎng)絡(luò)作為特征提取器與傳統(tǒng)的入侵檢測算法結(jié)合,實(shí)現(xiàn)了一種新的入侵檢測算法,利用這個(gè)算法,結(jié)合了運(yùn)動(dòng)方向特征和顏色特征,實(shí)現(xiàn)了一種自動(dòng)檢測人體并且抗遮擋的徘徊檢測算法。這種算法與傳統(tǒng)的入侵檢測相比,本算法可以區(qū)分入侵主體是否是人體,并且有更好的識(shí)別效果,具備更大的實(shí)用價(jià)值。3.根據(jù)現(xiàn)實(shí)的智能監(jiān)控系統(tǒng)的需求分析,設(shè)計(jì)了服務(wù)端的整體框架,將自己設(shè)計(jì)實(shí)現(xiàn)的基于三維多尺度卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法和基于YOLO模型的入侵檢測算法和徘徊檢測算法,應(yīng)用在了智能監(jiān)控系統(tǒng)的識(shí)別服務(wù)端上。并且通過加速優(yōu)化實(shí)現(xiàn)了系統(tǒng)支持16路以上實(shí)時(shí)識(shí)別的能力。
[Abstract]:Nowadays, the security situation of the society is becoming more and more complicated, and the recognition effect of the traditional monitoring and recognition algorithm can not meet the demand. With the rapid development of the theory and research of computer vision technology and depth learning, A more intelligent algorithm can be used to replace the traditional recognition algorithm. This paper mainly studies the monitoring and identification algorithm based on the depth network, and applies the algorithm to the intelligent monitoring system. Different from the traditional monitoring recognition algorithm, the depth network in this paper does not need to design the features artificially, nor need to adjust the parameters artificially according to the environment and algorithm. Instead, a multi-scale convolution neural network is designed. The network model which can extract human behavior is trained on the behavior video database and used as an algorithm to monitor abnormal behavior. In addition, on the basis of YOLO network, the feature extraction ability of the network is optimized by using the pedestrian picture library, then the intrusion detection algorithm and the hovering detection algorithm are designed. The algorithm has achieved excellent recognition effect in the simulation experiment. Finally, the algorithms are applied in the intelligent monitoring and identification system. This paper focuses on the implementation of behavior recognition algorithm based on improved multi-scale neural network, intrusion detection algorithm and hovering detection algorithm based on YOLO. The specific work is as follows: 1. The 3D CNN is studied. By using longer video input to connect the gray channel and the optical flow channel independently to the lower layer network, the input layer is improved, so that the convolution kernel of the first layer can have a unique feature extraction ability. Three dimensional sampling layer is added to the network structure, which increases the translation invariance of the network in time scale, improves the robustness of the network to video recognition, increases the NIN structure, and makes the network have the ability of extracting nonlinear features. The structure of temporal and spatial pyramids is added to make the whole network input video with different resolution and time, which makes this model suitable for the real environment video surveillance, and strengthens the application value of the network. 2. The new training of YOLO network is carried out, and the ability of human body feature extraction in the network is strengthened. A new intrusion detection algorithm is implemented by combining the network as a feature extractor with the traditional intrusion detection algorithm. A hovering detection algorithm which can detect human body automatically and resist occlusion is realized by combining motion direction feature and color feature. Compared with traditional intrusion detection, this algorithm can distinguish whether the intruder is human or not, and has better recognition effect, and has more practical value. According to the requirement analysis of the real intelligent monitoring system, the whole frame of the server is designed. The human behavior recognition algorithm based on 3D multi-scale convolution neural network, the intrusion detection algorithm based on YOLO model and the hovering detection algorithm are applied to the identification service of intelligent monitoring system. And the system can support more than 16 real-time recognition by accelerating optimization.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報(bào);2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 劉娜;西潼高速公路啟動(dòng)智能監(jiān)控系統(tǒng)[N];渭南日報(bào);2011年

6 周慧 記者 吳長鋒;新智能監(jiān)控系統(tǒng)可對山體災(zāi)害全天候監(jiān)測預(yù)警[N];科技日報(bào);2013年

7 ;溫室智能監(jiān)控系統(tǒng)[N];西藏日報(bào);2004年

8 鮑衛(wèi)文 陳增 記者吳劍;中心城建設(shè)工地裝設(shè)遠(yuǎn)程智能監(jiān)控系統(tǒng)[N];宜春日報(bào);2009年

9 山西 吳平一;豬場智能監(jiān)控系統(tǒng)[N];電子報(bào);2011年

10 通訊員 宋道遠(yuǎn);新型智能監(jiān)控系統(tǒng) 提高施工現(xiàn)代化管理水平[N];中華建筑報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 趙俊;基于深度神經(jīng)網(wǎng)絡(luò)的智能監(jiān)控系統(tǒng)的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2017年

2 王征韜;深度神經(jīng)網(wǎng)絡(luò)壓縮與優(yōu)化研究[D];電子科技大學(xué);2017年

3 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

4 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

5 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

6 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

7 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

8 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

9 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

10 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

，

本文編號：2198537