視頻監(jiān)控對(duì)維護(hù)公共場(chǎng)所的安全秩序發(fā)揮著重要的作用。如何處理視頻監(jiān)控中采集的大量信息,并對(duì)其中的異常信息進(jìn)行分析和理解,是該領(lǐng)域的重要研究方向。目前基于計(jì)算機(jī)視覺(jué)的視頻監(jiān)控中異常行為識(shí)別的主要方法有:（1）BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等傳統(tǒng)模式識(shí)別方法;（2）以CNN和RNN等為代表的深度學(xué)習(xí)方法。傳統(tǒng)模式識(shí)別方法依賴(lài)于人工選取的特征,智能化程度低,識(shí)別精度不高。深度學(xué)習(xí)模型泛化能力強(qiáng),特征提取自動(dòng)完成。文中使用深度學(xué)習(xí)的方法分別對(duì)視頻監(jiān)控中跌倒和打斗兩種異常行為進(jìn)行了相關(guān)研究工作,具體總結(jié)如下:（1）針對(duì)視頻監(jiān)控中跌倒行為識(shí)別準(zhǔn)確率不高,現(xiàn)有深度學(xué)習(xí)方法不能較好的把視頻監(jiān)控中跌倒行為的空間和時(shí)序特征有效結(jié)合起來(lái)的現(xiàn)象,提出基于CNN和LSTM混合模型的人體跌倒行為識(shí)別方法。該模型采用兩層結(jié)構(gòu),首先,將視頻以每5幀為一組輸入到網(wǎng)絡(luò)中,然后,利用CNN提取視頻序列的空間特征,LSTM提取視頻數(shù)據(jù)時(shí)間維度上的特征,最后,使用softmax分類(lèi)器進(jìn)行識(shí)別。實(shí)驗(yàn)表明,該方法可以有效的提高跌倒行為識(shí)別的準(zhǔn)確率。（2）針對(duì)視頻監(jiān)控中打斗行為識(shí)別準(zhǔn)確率不高,現(xiàn)有深度學(xué)習(xí)方法時(shí)間維度不能充分利用等問(wèn)題,提出... 

【文章來(lái)源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同場(chǎng)景下視頻監(jiān)控目前，在實(shí)際生產(chǎn)生活中大多應(yīng)用的是傳統(tǒng)的視頻監(jiān)控方式，如圖1.2所示

圖 1.2 傳統(tǒng)監(jiān)控方式針對(duì)傳統(tǒng)視頻監(jiān)控方式存在的弊端，有必要實(shí)現(xiàn)視頻監(jiān)控的智能化以滿(mǎn)足社會(huì)實(shí)現(xiàn)計(jì)算機(jī)模擬人類(lèi)大腦，實(shí)現(xiàn)對(duì)視頻監(jiān)控畫(huà)面的自動(dòng)分析和理解，針對(duì)其中件及時(shí)報(bào)警以便于工作人員及時(shí)處理，使得損失最小化。今年來(lái)，許多專(zhuān)家和頻信息的分析和理解進(jìn)行了深入的研究，智能視頻監(jiān)控技術(shù)得到了進(jìn)一步的發(fā)理解是使用計(jì)算機(jī)對(duì)視頻數(shù)據(jù)進(jìn)行處理，獲取有效的信息。視頻中主要有人和鍵要素，而人作為關(guān)注的對(duì)象之一使得視頻監(jiān)控中人的行為識(shí)別成為許多應(yīng)用點(diǎn)問(wèn)題。而異常行為識(shí)別是其中的一個(gè)具體子類(lèi)，是直接和人的利害關(guān)系相關(guān)對(duì)于人體異常行為的研究意義更大。.2 研究意義智能視頻監(jiān)控中人體行為識(shí)別主要涉及到圖像處理、模式識(shí)別等學(xué)科前沿技術(shù)的復(fù)雜程度以及行為模式的角度可以將人體行為分為基元行為、單人行為（比如下蹲、跌倒等）、交互行為（如握手、打斗、跟蹤等）和群體性復(fù)雜行為（如場(chǎng)逃離的人群）四個(gè)層次[1]。本文主要針對(duì)單人行為和交互行為中較為常見(jiàn)的

2 相關(guān)理論與技術(shù)數(shù)關(guān)系，這個(gè)函數(shù)成為激活函數(shù)，也叫激勵(lì)函數(shù)。常見(jiàn)的激活函數(shù)有 relu、sigmoid、tan等。圖 2.2 以 same 卷積方式為例展示了卷積層的計(jì)算過(guò)程，其中紅色框中為原始矩陣。卷積運(yùn)算過(guò)程是計(jì)算兩個(gè)相同位置元素的乘積之和，圖中灰色部分計(jì)算過(guò)程如下：（1×0）+（0×0）+（-1×0）+（1×0）+（0×1）+（-1×1）+（1×0）+（0×0）+（-1×1）+1=-1<0。本例使用 relu 為激活函數(shù)，relu 公式為：g ( x ) max(0, x)(2.5根據(jù)公式（2.5），最終取值為 0。

【參考文獻(xiàn)】：
期刊論文
[1]面向人體行為識(shí)別的深度特征學(xué)習(xí)方法比較[J]. 匡曉華,何軍,胡昭華,周媛.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[2]視頻監(jiān)控中跌倒行為識(shí)別[J]. 汪大峰,劉勇奎,劉爽,保文星,王巍.  電子設(shè)計(jì)工程. 2016(22)
[3]一種基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的人體行為識(shí)別方法[J]. 王忠民,曹洪江,范琳.  計(jì)算機(jī)科學(xué). 2016(S2)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[5]基于軌跡分析的異常行為識(shí)別與管控研究[J]. 王曉龍,郭捷,邱衛(wèi)東,徐鵬,郭曼,張菡.  信息安全與通信保密. 2015(03)

博士論文
[1]視頻人臉及人體行為識(shí)別關(guān)鍵技術(shù)研究[D]. 劉宇琦.吉林大學(xué) 2018
[2]基于視頻流的運(yùn)動(dòng)人體行為識(shí)別研究[D]. 趙海勇.西安電子科技大學(xué) 2011
[3]視頻運(yùn)動(dòng)人體行為識(shí)別與分類(lèi)方法研究[D]. 張浩.西安電子科技大學(xué) 2011

碩士論文
[1]基于雙流卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻中打斗行為識(shí)別研究[D]. 高陽(yáng).西安理工大學(xué) 2018
[2]基于遞歸神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別方法研究與系統(tǒng)實(shí)現(xiàn)[D]. 李偉.哈爾濱工業(yè)大學(xué) 2017
[3]機(jī)場(chǎng)智能視頻監(jiān)控中異常行為檢測(cè)與目標(biāo)跟蹤算法研究[D]. 王躍東.南京航空航天大學(xué) 2017
[4]基于三維視覺(jué)的手勢(shì)跟蹤及人機(jī)交互中的應(yīng)用[D]. 狄海進(jìn).南京大學(xué) 2011



本文編號(hào)：3416415