發(fā)布時間：2020-11-03 02:09

　　 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捕獲和檢測異常事件,例如斗毆,交通事故和踩踏,然后及時發(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,導致人群異常行為檢測算法的準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艱巨的任務(wù)。為了提高人群異常行為檢測算法的準確性和魯棒性,基于空間和運動特征表示以及深度學習工具利用,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)人群光流場變化計算人群運動速度、加速度、方向和能量,并利用上述特征設(shè)計新的時空特征描述符,即SOFD;其次,利用KLT(Kanade-Lucas-Tomasi)追蹤算法獲得人群運動軌跡單幀圖;最后,基于所獲取上述特征,設(shè)計雙流卷積神經(jīng)網(wǎng)絡(luò)(two stream convolutional neural networks,TS-CNN)以進行異常行為檢測。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)實場景下的異常行為檢測準確性及魯棒性。(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)人群光流場變化計算人群運動的瞬時加權(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)實場景下的異常行為檢測的準確性及魯棒性。
【學位單位】：大連大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP391.41
【部分圖文】：

大連大學碩士學位論文-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)用于各個場所，包括機場，商場，聚會廣場及社區(qū)安全防護等，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，成為當前計算機視覺領(lǐng)域的研究熱點之一。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。但當異常事件發(fā)生時，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[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運動目標檢測方法運動目標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。準確的運動目標檢測對后面的圖像處理非常重要。然而，由于現(xiàn)實場景中的光線變化和目標遮擋等一些干擾因素，使得運動目標的檢測變得相當困難。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]。

大連大學碩士學位論文-8-2.2.1光流法1950年，JamesJ.Gibson（美國心理學家）提出光流是由目標物體和觀察者之間的運動產(chǎn)生，是物體按照空間亮度模式進行運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動目標物體空間運動序列及其運動序列空間變化率信息[51]。因此，計算光流區(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動目標的空間區(qū)域以計算圖像中相鄰的幀之間運動目標的空間運動序列信息，綜上所述，計算光流場的離散度可以應(yīng)用于對運動區(qū)域中目標的檢測[54]。其實，運動是三維空間的物體運動投影到平面上相對應(yīng)像素點的瞬時速度，如圖2.2所示：圖2.2三維運動在二維平面內(nèi)的投影Fig.2.2Theprojectionofathree-dimensionalmotionontoatwo-dimensionalplane確定圖像的亮度變化，就可把運動目標的光流場變化作為運動目標的速度矢量場，其中，由分量u,v分別表示光流在x，y方向的運動速度分量。在視頻序列中，I(x,y,t)為像素點px,y在t時刻的亮度值，像素點p在時間段dt內(nèi)移到"pxdx,ydy點，其中，dxudt,dyvdt。假設(shè)足夠小的時間段內(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，同時忽略二階無窮小項2，得到如下光流約束方程：

大連大學碩士學位論文-12-1TTuAAAbv(2.22)當TAA可逆時，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進行跟蹤計算，有效的減少了光流的計算量且穩(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動目標[52]。圖2.3幀間差分法Fig.2.3TemporalDifference幀間的差分運算如圖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動區(qū)域，從而將運動目標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的像素點為運動區(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動目標的圖像。與其他檢測算法相比，幀間差分法原理簡單，計算量小，計算速度快，可快速檢測出視頻中的運動目標。但是，檢測效果易受視頻幀率影響，魯棒性差，通常不能單獨使用，應(yīng)與其他算法共同使用。
【參考文獻】

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];浙江大學學報(工學版);2011年07期

本文編號：2867934