【摘要】：隨著智能監(jiān)控技術(shù)的不斷發(fā)展,視頻監(jiān)控設(shè)備被廣泛地部署在學(xué)校、地鐵、道路、工廠、小區(qū)等人員密集區(qū)域,它們給人們生活帶來(lái)了安全與方便,但也有不少挑戰(zhàn)隨之而來(lái),其中之一便是如何從海量的視頻數(shù)據(jù)中檢測(cè)出人體異常行為。這些異常行為的檢測(cè)也是目前計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)和難點(diǎn)。根據(jù)拍攝設(shè)備的不同,可以把視頻分為普通視頻和帶有距離信息的視頻。本論文的研究對(duì)象是普通視頻,包括近景和遠(yuǎn)景視頻。近景視頻是指攝像機(jī)與運(yùn)動(dòng)目標(biāo)距離較近的視頻,它側(cè)重于人的上肢動(dòng)作,尤其是手部動(dòng)作;遠(yuǎn)景視頻是指攝像機(jī)與被拍攝目標(biāo)的距離超過(guò)一定范圍的視頻,它側(cè)重于人的整體運(yùn)動(dòng)。本論文的研究工作主要圍繞檢測(cè)近景和遠(yuǎn)景視頻中的異常行為而展開(kāi),具體可分為以下幾方面。面向近景異常行為檢測(cè)的膚色分割算法。在近景異常行為檢測(cè)中,背景信息不但無(wú)法提供有效幫助,反而會(huì)增加算法后續(xù)處理的運(yùn)算量,為了去除運(yùn)動(dòng)目標(biāo)的背景,本文采用膚色分割的方式獲取膚色區(qū)域。傳統(tǒng)的膚色分割算法主要借助像素點(diǎn)在各個(gè)顏色空間下的數(shù)值及紋理等特征建立膚色統(tǒng)計(jì)模型,但光照和年齡變化容易帶來(lái)膚色表征變化,單像素點(diǎn)的信息并不能完整地表示它們。因此,論文提出了一種基于堆棧自編碼器的膚色分割算法,以膚色塊為基本處理單元。實(shí)驗(yàn)表明,該算法在多個(gè)膚色分割數(shù)據(jù)集上取得了較好的膚色分割結(jié)果�；谀w色分割的近景異常行為檢測(cè)。論文提出了一種基于膚色分割的近景異常行為檢測(cè)算法,該算法分為背景去除、手掌定位與追蹤、能量檢測(cè)和運(yùn)動(dòng)軌跡識(shí)別四個(gè)部分。背景去除方面,考慮到拍攝時(shí)的光照變化,本文采用基于亮度索引的膚色分割算法:先通過(guò)基于自編碼器的膚色分割模型獲得當(dāng)前圖像中置信度最高的一部分膚色,再采用顏色空間中的亮度分量對(duì)這部分膚色信息進(jìn)行分類,最后在多個(gè)亮度索引下分別建立動(dòng)態(tài)膚色分割模型。該模型既去除了背景中的干擾信息,又有利于后續(xù)算法快速定位當(dāng)前圖像中的人體膚色區(qū)域;手掌定位與追蹤方面,在膚色分割的基礎(chǔ)上,結(jié)合手掌幾何特征實(shí)現(xiàn)了手掌或手臂的定位,用Camshift算法進(jìn)行追蹤;能量檢測(cè)方面,對(duì)追蹤的手掌或者手臂進(jìn)行光流能量計(jì)算,根據(jù)其能量是否超過(guò)設(shè)定的閾值來(lái)判斷是否為異常行為;運(yùn)動(dòng)軌跡識(shí)別方面,用改進(jìn)的動(dòng)態(tài)時(shí)間規(guī)整算法識(shí)別手的運(yùn)動(dòng)軌跡。實(shí)驗(yàn)表明,論文中的近景異常行為檢測(cè)算法可以有效地檢測(cè)出近景視頻中的異常行為。面向遠(yuǎn)景異常行為檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型改進(jìn)。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一種由卷積層、下采樣層、全連接層和分類層構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)。在分類任務(wù)中,CNN學(xué)習(xí)到的高層特征具有很強(qiáng)的區(qū)分能力,并在多個(gè)分類數(shù)據(jù)集上超越了傳統(tǒng)的人工特征,但在物體檢測(cè)任務(wù)中,CNN存在一些不足。針對(duì)這些不足,本文從以下幾方面對(duì)CNN模型進(jìn)行了改進(jìn):特征融合方面,通過(guò)越層連接策略和上下文學(xué)習(xí)策略實(shí)現(xiàn)局部信息與全局信息的融合。越層連接策略是將CNN網(wǎng)絡(luò)中的低層與高層特征按照一定的比例融合,這樣既能保留物體的空間信息,又能保證高層特征在物體檢測(cè)任務(wù)中的主導(dǎo)地位。上下文學(xué)習(xí)策略是在感興趣區(qū)域池化操作中平行地加入上下文池化操作,將池化產(chǎn)生的特征按一定比例融合,可以實(shí)現(xiàn)局部信息與全局信息的再次融合;優(yōu)化候選區(qū)域方面,通過(guò)優(yōu)化可以更精準(zhǔn)地找出物體或者異常行為在圖像中發(fā)生位置。實(shí)驗(yàn)表明,該算法在VOC和UCF sports等數(shù)據(jù)集上取得了較好的結(jié)果�；诙嗔骶矸e神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)景異常行為檢測(cè)。在遠(yuǎn)景行為視頻中,場(chǎng)景信息與一些行為有著顯著的映射關(guān)系。本文將場(chǎng)景識(shí)別CNN和行為檢測(cè)的雙流CNN組成遠(yuǎn)景異常行為識(shí)別的多流CNN模型,在基于CNN的場(chǎng)景識(shí)別算法中做了以下幾點(diǎn)改進(jìn):用均勻采樣替代原有的隨機(jī)采樣,避免訓(xùn)練數(shù)據(jù)中出現(xiàn)某一塊區(qū)域過(guò)采樣的問(wèn)題;采用不同的網(wǎng)絡(luò)提取場(chǎng)景特征與物體特征,并將其融合形成新的場(chǎng)景特征;用場(chǎng)景識(shí)別CNN產(chǎn)生的“場(chǎng)景-行為”映射關(guān)系表,改善雙流CNN的檢測(cè)結(jié)果。實(shí)驗(yàn)表明,該算法在UCF101數(shù)據(jù)集上取得了較好的檢測(cè)結(jié)果。
【圖文】：

圖 1-1 運(yùn)動(dòng)光流計(jì)算結(jié)果Fig. 1-1 the motion information for flow images作者在文獻(xiàn)[12]中將異常行為檢測(cè)分為個(gè)人異常行為檢測(cè)和群體異常行為檢測(cè)兩個(gè)代理。他們的方法是基于密集光流圖像的，個(gè)人異常行為檢測(cè)代理計(jì)算圖像中一個(gè)特定點(diǎn)的絕對(duì)運(yùn)動(dòng)信息；而群體異常行為檢測(cè)代理則是借助社會(huì)作用力模型[13]和個(gè)體相互作用力模型[8]。通過(guò)融合兩個(gè)代理的檢測(cè)結(jié)果，他們的方法實(shí)現(xiàn)了復(fù)雜背景下的異常行為識(shí)別。[14]

哈爾濱工業(yè)大學(xué)工學(xué)博士學(xué)位論文圖像處理等領(lǐng)域的表現(xiàn)并沒(méi)有比淺層效推動(dòng)了以多層感知機(jī)為代表的深度nov[35]指出，，高維度的數(shù)據(jù)可以通過(guò)一經(jīng)網(wǎng)絡(luò)的核心是將一個(gè)比輸入維度小的重構(gòu)，并采用貪婪逐層訓(xùn)練的方式訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題。文中提出的受隱藏層的雙層網(wǎng)絡(luò)結(jié)構(gòu)，如圖 1-2 所全連接；而層內(nèi)的神經(jīng)元之間則是無(wú)的神經(jīng)元狀態(tài)，隱藏層神經(jīng)元的激活是狀態(tài)時(shí)，可見(jiàn)層神經(jīng)元的激活是完全
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張永健;吳榮騰;;一種基于膚色分割的快速分級(jí)人臉檢測(cè)算法[J];福建電腦;2017年12期

2 金伯陽(yáng);顏茂勇;張睿;劉舒;;一種基于改進(jìn)膚色分割算法的人臉檢測(cè)[J];中國(guó)安防;2009年04期

3 李楓;;基于混合RGB和HSV方法的人臉檢測(cè)[J];蘭州工業(yè)學(xué)院學(xué)報(bào);2013年05期

4 周滿;羅浩;尉宇;;基于膚色分割與幾何特征的人臉檢測(cè)[J];信息技術(shù);2018年02期

5 朱麾,郭立;結(jié)合膚色分割的支持向量機(jī)人臉檢測(cè)方法[J];電路與系統(tǒng)學(xué)報(bào);2005年01期

6 胡晶,丁潔;基于膚色分割的復(fù)雜背景圖像的人臉檢測(cè)[J];電腦知識(shí)與技術(shù);2005年06期

7 杜飛濤,陳先橋,萬(wàn)勇;一種基于膚色分割的人臉檢測(cè)方法[J];湖北工學(xué)院學(xué)報(bào);2004年05期

8 趙明華,游志勝,穆萬(wàn)軍,呂學(xué)斌,余靜;基于膚色分割、數(shù)學(xué)形態(tài)學(xué)和幾何方法的人臉檢測(cè)[J];四川大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

9 孔瀟,劉黨輝,沈蘭蓀;基于模糊聚類的膚色分割[J];電子與信息學(xué)報(bào);2005年11期

10 易叢琴,李麗,孟傳良;基于膚色分割的彩色圖像的人臉檢測(cè)[J];貴州工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年04期

相關(guān)會(huì)議論文 前9條

1 王文賢;武立平;馬維青;;人臉識(shí)別技術(shù)在電力現(xiàn)場(chǎng)安全管控系統(tǒng)中的應(yīng)用[A];2018智能電網(wǎng)信息化建設(shè)研討會(huì)論文集[C];2018年

2 李騰;郭文成;;基于手勢(shì)識(shí)別的車(chē)載音樂(lè)控制儀的設(shè)計(jì)[A];“裝備中國(guó)”2016年“濱海杯”高端裝備工業(yè)設(shè)計(jì)大賽論文集[C];2016年

3 劉麗麗;呂凝;郭鋒;;基于膚色和模板匹配的新聞圖像人臉檢測(cè)[A];中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2008年

4 龔慧超;項(xiàng)文波;侯曉霞;茅耀斌;;基于多示例學(xué)習(xí)的不良內(nèi)容圖像過(guò)濾算法研究[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

5 賴俊;張江鑫;;一種基于人臉對(duì)稱性的差錯(cuò)掩蓋方法[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

6 鄔正義;胡守文;談?wù)?;一種視頻人臉跟蹤算法[A];第十七屆全國(guó)過(guò)路控制會(huì)議論文集[C];2006年

7 高全學(xué);張洪才;潘泉;;膚色和獨(dú)立成分相結(jié)合的人臉檢測(cè)[A];第一屆中國(guó)情感計(jì)算及智能交互學(xué)術(shù)會(huì)議論文集[C];2003年

8 王超;李東;雷震;;基于膚色分割的人臉檢測(cè)系統(tǒng)實(shí)現(xiàn)[A];江蘇省系統(tǒng)工程學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

9 孫驍;徐向民;苗捷;;一種半監(jiān)督的自適應(yīng)膚色分割算法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

相關(guān)博士學(xué)位論文 前3條

1 尤磊;基于深度學(xué)習(xí)的人體異常行為檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

2 桑海濤;復(fù)雜條件下人臉局部特征檢測(cè)方法的研究[D];哈爾濱理工大學(xué);2017年

3 郭聳;人臉檢測(cè)若干關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 喬亞飛;社交圖像的人臉膚色美化研究[D];武漢大學(xué);2017年

2 武秀;基于膚色分割和統(tǒng)計(jì)學(xué)的彩色人臉檢測(cè)實(shí)現(xiàn)[D];西南交通大學(xué);2008年

3 黃祖建;基于膚色分割的彩色圖像人臉檢測(cè)技術(shù)[D];四川大學(xué);2004年

4 湯秋艷;基于膚色分割的彩色圖像人臉檢測(cè)及特征定位[D];沈陽(yáng)理工大學(xué);2008年

5 陳世剛;基于膚色分割與AdaBoost算法的人臉檢測(cè)研究[D];蘇州大學(xué);2011年

6 鄒t

本文編號(hào)：2596034