本文關(guān)鍵詞：視頻監(jiān)控中異常事件實(shí)時(shí)檢測方法研究與實(shí)現(xiàn)　出處：《中國科學(xué)技術(shù)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 異常行為識(shí)別 運(yùn)動(dòng)矢量 前景提取 自編碼器 卷積神經(jīng)網(wǎng)絡(luò)

【摘要】：隨著人們生活水平的提升,自身安全意識(shí)的增強(qiáng),智能視頻分析技術(shù)受到了廣泛的關(guān)注。智能視頻分析技術(shù)即是利用計(jì)算機(jī)圖像學(xué)、模式識(shí)別、機(jī)器學(xué)習(xí)等方法對(duì)視頻幀序列內(nèi)容自動(dòng)分析處理的技術(shù)。特定場景下異常行為檢測是智能視頻分析重要的研究方向。異常行為檢測技術(shù)能夠通過提取視頻幀圖像中的運(yùn)動(dòng)信息,自動(dòng)地檢測出其中不正常的行為,并且發(fā)出提醒信息,節(jié)省了大量的人力成本。近年來,室外特定場景下的人群異常事件和室內(nèi)環(huán)境下的面部遮擋異常事件層出不窮,給社會(huì)造成了不可挽回的損失。本文針對(duì)這兩類問題開展研究,研究工作內(nèi)容與貢獻(xiàn)如下:1.針對(duì)人群異常行為問題,提出了一種基于自編碼器的實(shí)時(shí)檢測方法。目前,人群異常行為檢測方法大多是基于光流來表征人群運(yùn)動(dòng)的,這在很大程度上限制了算法滿足實(shí)時(shí)性的要求。本文利用運(yùn)動(dòng)矢量在解壓視頻過程中能夠?qū)崟r(shí)提取的優(yōu)點(diǎn),提出基于運(yùn)動(dòng)矢量構(gòu)建局部時(shí)空特征的方法。然后利用該特征在每個(gè)局部小區(qū)域訓(xùn)練多個(gè)自編碼器。測試過程中,利用訓(xùn)練好的多個(gè)自編碼器判斷每個(gè)小區(qū)域是否有異常發(fā)生。綜合每個(gè)小區(qū)域異常情況,定位出異常發(fā)生的具體位置,進(jìn)而判斷是否發(fā)生全局性的異常。最后,在公共數(shù)據(jù)集進(jìn)行測試,本文提出的算法準(zhǔn)確率在95%以上,每幀處理時(shí)間大約25ms。2.針對(duì)面部遮擋異常行為問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)檢測方法。目前,面部遮擋異常行為檢測方法往往先定位出頭部位置,然后對(duì)眼睛、嘴巴等面部器官建模,從而間接判斷是否存在面部遮擋異常。這種方法容易因面部器官的模糊不清而導(dǎo)致誤檢漏檢現(xiàn)象。本文提出對(duì)最常見的兩種面部遮擋行為(戴墨鏡和戴口罩)進(jìn)行直接建模,進(jìn)而判斷是否發(fā)生異常行為。為了不影響實(shí)時(shí)性,本文在運(yùn)動(dòng)前景提取、頭部定位、膚色檢測等傳統(tǒng)方法的基礎(chǔ)上做出改進(jìn),準(zhǔn)確定位出面部位置(即感興趣區(qū)域)。實(shí)驗(yàn)結(jié)果表明,本文面部定位方法與面部遮擋異常判別模型相結(jié)合的算法,能夠在保證較高準(zhǔn)確率的同時(shí)滿足實(shí)時(shí)性的要求。3.利用上述研究成果,設(shè)計(jì)并實(shí)現(xiàn)異常行為實(shí)時(shí)檢測系統(tǒng),對(duì)相關(guān)方法進(jìn)行應(yīng)用驗(yàn)證。
[Abstract]:With the improvement of people's living standard and the enhancement of their own security consciousness, intelligent video analysis technology has been paid more and more attention. Intelligent video analysis technology is based on computer graphics and pattern recognition. The technology of automatic analysis and processing of video frame sequence content by machine learning method. Anomaly behavior detection is an important research direction of intelligent video analysis in a particular scene. Abnormal behavior detection technology can extract video frame image. The motion information in. Automatic detection of abnormal behavior, and send out a warning message, saving a lot of labor costs in recent years. The crowd abnormal events in outdoor special scenes and the abnormal facial occlusion events in indoor environment emerge one after another, which has caused irreparable loss to the society. This paper focuses on these two kinds of problems. The research contents and contributions are as follows: 1. A real-time detection method based on self-encoder is proposed to solve the problem of abnormal behavior. The detection methods of abnormal behavior of crowd are mostly based on optical flow to characterize the movement of the crowd. This greatly limits the algorithm to meet the requirements of real-time. This paper uses the advantages of motion vector in the process of decompression of video can be extracted in real time. This paper presents a method of constructing local space-time feature based on motion vector, and then uses this feature to train multiple self-encoders in each local small area. The trained self-encoders are used to judge whether there are anomalies in each small area. By synthesizing the anomalies in each small area, the specific location of the anomalies is located, and then the global anomalies are judged. Finally. By testing in common data sets, the accuracy of this algorithm is above 95%, and the processing time of each frame is about 25ms.2. aiming at the abnormal behavior of facial occlusion. A real time detection method based on convolution neural network is proposed. At present, the face occlusion abnormal behavior detection methods usually locate the head position first, and then model the facial organs such as eyes, mouth and so on. This method is likely to cause false detection due to blur of facial organs. In this paper, the two most common facial occlusion behaviors (wearing sunglasses and wearing masks) are proposed. Direct modeling. In order not to affect real-time, this paper improves the traditional methods such as motion foreground extraction, head location, skin color detection and so on. The experimental results show that the method of facial location is combined with the discriminant model of facial occlusion anomaly. At the same time, it can meet the requirements of real-time. Using the above research results, we design and implement the real-time detection system of abnormal behavior, and verify the related methods.
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TN948.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙龍;郭立;謝錦生;劉皓;陸海先;;基于隱含主題模型的異常行為分析[J];中國科學(xué)院研究生院學(xué)報(bào);2013年03期

2 羅超宇;;基于視頻序列的人體異常行為檢測技術(shù)分析[J];電子制作;2013年18期

3 崔永艷;高陽;;基于多示例學(xué)習(xí)的異常行為檢測方法[J];模式識(shí)別與人工智能;2011年06期

4 陸海先;郭立;桂樹;謝錦生;;基于潛在主題的視頻異常行為分析[J];通信技術(shù);2012年07期

5 周維柏;李蓉;;基于軌跡特征分析的行人異常行為識(shí)別[J];電腦編程技巧與維護(hù);2010年12期

6 李曉東;凌捷;;基于視頻監(jiān)控參考量的異常行為檢測研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年09期

7 姬曉飛;吳倩倩;李一波;;改進(jìn)時(shí)空特征的人體異常行為檢測方法研究[J];沈陽航空航天大學(xué)學(xué)報(bào);2013年05期

8 桑海峰;郭昊;徐超;;基于運(yùn)動(dòng)特征的人體異常行為識(shí)別[J];中國科技論文;2014年07期

9 王傳旭;董晨晨;;基于時(shí)空特征點(diǎn)的群體異常行為檢測算法[J];數(shù)據(jù)采集與處理;2012年04期

10 沈海燕;馮云梅;史宏;;基于信息融合的客運(yùn)站人體異常行為識(shí)別研究[J];公路交通科技;2009年S1期

相關(guān)會(huì)議論文 前1條

1 王碧英;孫健敏;;公仆型領(lǐng)導(dǎo)對(duì)員工行為的影響[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

相關(guān)博士學(xué)位論文 前5條

1 林娜;小鼠異常行為的遺傳基礎(chǔ)研究[D];東北農(nóng)業(yè)大學(xué);2006年

2 Popoola Oluwatoyin Pius;擁擠環(huán)境下的異常行為檢測研究[D];哈爾濱工程大學(xué);2012年

3 張軍;基于視頻的運(yùn)動(dòng)人體異常行為分析識(shí)別研究[D];西安電子科技大學(xué);2009年

4 劉皓;基于條件隨機(jī)場模型的異常行為檢測方法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

5 張毅;MANET環(huán)境中基于移動(dòng)Agent的異常行為檢測與防御[D];哈爾濱工程大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張雁冰;監(jiān)控視頻中人體異常行為檢測研究[D];深圳大學(xué);2015年

2 梁玉;基于ORB興趣點(diǎn)的異常行為檢測技術(shù)研究[D];鄭州大學(xué);2015年

3 陳崗;治安監(jiān)控中基于計(jì)算機(jī)視覺的異常行為檢測技術(shù)研究[D];上海交通大學(xué);2015年

4 許龍;視頻中的異常行為檢測與分析研究[D];上海交通大學(xué);2015年

5 姚源;視頻中異常行為發(fā)現(xiàn)方法研究及實(shí)現(xiàn)[D];電子科技大學(xué);2014年

6 王朝新;基于視頻的行人異常行為檢測技術(shù)的應(yīng)用研究[D];電子科技大學(xué);2014年

7 張海峰;陽煤集團(tuán)視頻異常監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 張丹;視頻監(jiān)控系統(tǒng)下航站樓旅客異常行為檢測方法研究[D];南京航空航天大學(xué);2014年

9 梁琛華;視頻監(jiān)控中的人體異常行為識(shí)別[D];國防科學(xué)技術(shù)大學(xué);2013年

10 朱明凌;面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測與異常行為分析[D];中國計(jì)量學(xué)院;2015年

，

本文編號(hào)：1408560