人群異常行為檢測是使用安裝在公共場所的閉路電視攝像機(jī)捕獲和檢測異常事件,例如斗毆,交通事故和踩踏,然后及時(shí)發(fā)出警告。它在智能監(jiān)控領(lǐng)域具有廣泛的應(yīng)用。近年來,人群異常行為檢測方法取得了較好發(fā)展,并有許多優(yōu)秀的檢測算法被提出。但是,許多挑戰(zhàn)性問題尚未得到有效解決,例如光照變化,人群遮擋和復(fù)雜背景,導(dǎo)致人群異常行為檢測算法的準(zhǔn)確性和魯棒性大大降低。因此,檢測人群異常行為仍然是一項(xiàng)艱巨的任務(wù)。為了提高人群異常行為檢測算法的準(zhǔn)確性和魯棒性,基于空間和運(yùn)動特征表示以及深度學(xué)習(xí)工具利用,本文的主要研究工作和創(chuàng)新如下:(1)針對復(fù)雜背景及遮擋等原因引起人群異常行為檢測性能低的問題,本文提出一種基于綜合光流特征描述符(synthetic optical flow feature descriptor,SOFD)及軌跡的人群異常行為檢測方法。所提方法首先根據(jù)人群光流場變化計(jì)算人群運(yùn)動速度、加速度、方向和能量,并利用上述特征設(shè)計(jì)新的時(shí)空特征描述符,即SOFD;其次,利用KLT(Kanade-Lucas-Tomasi)追蹤算法獲得人群運(yùn)動軌跡單幀圖;最后,基于所獲取上述特征,設(shè)計(jì)雙流卷積神經(jīng)網(wǎng)絡(luò)(two stream convolutional neural networks,TS-CNN)以進(jìn)行異常行為檢測。仿真結(jié)果表明,與現(xiàn)有主流算法相比,所提算法可顯著提高現(xiàn)實(shí)場景下的異常行為檢測準(zhǔn)確性及魯棒性。(2)針對復(fù)雜背景及遮擋等原因引起人群異常行為檢測性能低的問題,本文提出一種基于幀間特征的人群異常行為檢測方法,所提方法首先根據(jù)人群光流場變化計(jì)算人群運(yùn)動的瞬時(shí)加權(quán)能量,加速度值及方向差光流值并分別映射為HSV的色調(diào)值,飽和度及數(shù)值以此形成代表人群幀間運(yùn)動特征的幀間顯著圖;最后,基于幀間顯著圖和單幀原圖,設(shè)計(jì)TS-CNN以檢測人群異常行為。仿真結(jié)果表明,與現(xiàn)有主流算法相比,所提算法可顯著提高現(xiàn)實(shí)場景下的異常行為檢測的準(zhǔn)確性及魯棒性。
【學(xué)位單位】：大連大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41
【部分圖文】：

大連大學(xué)碩士學(xué)位論文-7-2人群異常行為檢測相關(guān)理論知識2.1異常行為描述智能監(jiān)控系統(tǒng)被應(yīng)用于各個(gè)場所，包括機(jī)場，商場，聚會廣場及社區(qū)安全防護(hù)等，然而，異常行為檢測作為智能監(jiān)控系統(tǒng)的重要組成部分，成為當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一。異常事件可以解釋為不希望發(fā)生的事件，與正常事件或規(guī)則事件相反。在正常/常規(guī)情況下，行人更傾向于跟隨與他們相鄰的行人，并擁有相似的方向或速度。但當(dāng)異常事件發(fā)生時(shí)，如圖2.1所示，由于恐懼，人們會向相對混亂的方向逃跑，并盡可能快地逃跑以躲避潛在的危險(xiǎn)[50]，這在一定程度上增加了踩踏死亡的可能性。圖2.1異常行為Fig.2.1Abnormalbehavior2.2運(yùn)動目標(biāo)檢測方法運(yùn)動目標(biāo)檢測是研究場景中檢測出的變化區(qū)域并從背景中提取出來。準(zhǔn)確的運(yùn)動目標(biāo)檢測對后面的圖像處理非常重要。然而，由于現(xiàn)實(shí)場景中的光線變化和目標(biāo)遮擋等一些干擾因素，使得運(yùn)動目標(biāo)的檢測變得相當(dāng)困難。目前，比較經(jīng)典的算法有光流法[51]、幀間差分法[52]與背景減除法[53]。

大連大學(xué)碩士學(xué)位論文-8-2.2.1光流法1950年，JamesJ.Gibson（美國心理學(xué)家）提出光流是由目標(biāo)物體和觀察者之間的運(yùn)動產(chǎn)生，是物體按照空間亮度模式進(jìn)行運(yùn)動的空間速度和變化率分布。由于光流的離散度可提供觀察者得到運(yùn)動目標(biāo)物體空間運(yùn)動序列及其運(yùn)動序列空間變化率信息[51]。因此，計(jì)算光流區(qū)域中的空間離散度有助于將空間中圖像的相鄰幀劃分為不同運(yùn)動目標(biāo)的空間區(qū)域以計(jì)算圖像中相鄰的幀之間運(yùn)動目標(biāo)的空間運(yùn)動序列信息，綜上所述，計(jì)算光流場的離散度可以應(yīng)用于對運(yùn)動區(qū)域中目標(biāo)的檢測[54]。其實(shí)，運(yùn)動是三維空間的物體運(yùn)動投影到平面上相對應(yīng)像素點(diǎn)的瞬時(shí)速度，如圖2.2所示：圖2.2三維運(yùn)動在二維平面內(nèi)的投影Fig.2.2Theprojectionofathree-dimensionalmotionontoatwo-dimensionalplane確定圖像的亮度變化，就可把運(yùn)動目標(biāo)的光流場變化作為運(yùn)動目標(biāo)的速度矢量場，其中，由分量u,v分別表示光流在x，y方向的運(yùn)動速度分量。在視頻序列中，I(x,y,t)為像素點(diǎn)px,y在t時(shí)刻的亮度值，像素點(diǎn)p在時(shí)間段dt內(nèi)移到"pxdx,ydy點(diǎn)，其中，dxudt,dyvdt。假設(shè)足夠小的時(shí)間段內(nèi)圖像亮度恒定不變，由此可得：Ixdx,ydy,tdtIx,y,t(2.1)將上面的公式按照一階泰勒展開為：2,,,,IIIIxytdxdydtIxytxyt(2.2)公式兩邊的Ix,y,t相互抵消，同時(shí)忽略二階無窮小項(xiàng)2，得到如下光流約束方程：

大連大學(xué)碩士學(xué)位論文-12-1TTuAAAbv(2.22)當(dāng)TAA可逆時(shí)，即TAA是滿秩。LK光流法只需指定具有某種顯著特性的一組特征點(diǎn)進(jìn)行跟蹤計(jì)算，有效的減少了光流的計(jì)算量且穩(wěn)定可靠。2.2.2幀間差分法幀間差分法利用視頻的連續(xù)性，在幀間執(zhí)行差分操作，并對差分操作后的圖像執(zhí)行閾值處理，從而提取圖像中的運(yùn)動目標(biāo)[52]。圖2.3幀間差分法Fig.2.3TemporalDifference幀間的差分運(yùn)算如圖2.3所示，設(shè)視頻中第n1，n幀圖像分別為n1F和nF，灰度值為,nFxy和1,nFxy。將灰度值執(zhí)行差分操作并取絕對值，既得差分圖像：1,|,,|nnnDxyFxyFxy(2.23)通過設(shè)置合適的灰度閾值判斷視頻圖像中的運(yùn)動區(qū)域，從而將運(yùn)動目標(biāo)從背景圖像中提取出來。假設(shè)T為灰度值閾值，采用如下公式對圖像中的任意像素閾值化處理，得到二值化圖像"nR："255,D,,0,elsennxyTRxy(2.24)其中，",=255nRxy的像素點(diǎn)為運(yùn)動區(qū)域，而",=0nRxy為背景。然后，利用連通性處理圖像"nR，最終獲得包括完整運(yùn)動目標(biāo)的圖像。與其他檢測算法相比，幀間差分法原理簡單，計(jì)算量小，計(jì)算速度快，可快速檢測出視頻中的運(yùn)動目標(biāo)。但是，檢測效果易受視頻幀率影響，魯棒性差，通常不能單獨(dú)使用，應(yīng)與其他算法共同使用。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 杜鑒豪;許力;;基于區(qū)域光流特征的異常行為檢測[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年07期

本文編號：2867934