發(fā)布時間：2022-02-08 19:26

　　隨著計算機視覺和深度學(xué)習(xí)技術(shù)的快速發(fā)展,大量國內(nèi)外學(xué)者對作用于視頻監(jiān)控下的人體異常行為檢測技術(shù)產(chǎn)生了濃厚的興趣。并且隨著視頻數(shù)據(jù)量的迅速增長,如何快速且準確的識別異常行為成為了該領(lǐng)域的研究熱點。人體異常行為檢測過程由視頻預(yù)處理、人體特征的提取與檢測模型的訓(xùn)練、正常與異常行為的分類等部分組成。本文針對上述過程,所做具體工作總結(jié)如下:（1）KNN非參數(shù)核密度估計算法是一種常用的運動目標檢測方法,它根據(jù)樣本屬性進行建模,使用概率密度函數(shù)對數(shù)據(jù)點進行估計,進而完成前景圖像的提取。但是使用KNN非參數(shù)核密度估計算法進行運動目標檢測,會出現(xiàn)目標提取有陰影,背景分離不徹底,目標輪廓不分明等問題。針對上述算法存在的缺點和問題,本文提出了改進的KNN非參數(shù)核密度估計算法,該算法應(yīng)用K近鄰非參數(shù)密度算法計算圖像中像素點的概率密度,提取運動目標,同時利用高斯濾波函數(shù),通過二維離散傅里葉的正反變換在頻率域?qū)Σ蓸拥囊曨l幀進行高通濾波,所得的圖像再和前景圖像進行融合,從而實現(xiàn)提取出更具有視覺效果的前景圖像。實驗結(jié)果表明,本文提出的方法得到的前景圖像清除陰影效果明顯,背景分離較為徹底,目標輪廓分明。（2）為了人體異... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

傳統(tǒng)監(jiān)控方式

西安科技大學(xué)碩士學(xué)位論文8圖2.1視頻下的人體異常行為檢測流程圖具體實現(xiàn)細節(jié)如下：（1）預(yù)處理：把輸入的視頻按照特定的幀率轉(zhuǎn)化為圖像，可以對這些圖像進行前景分離，形態(tài)學(xué)處理和尺度規(guī)范化等操作，以便得到更有價值的圖像數(shù)據(jù)。（2）特征提�。簩︻A(yù)處理后的圖像數(shù)據(jù)提取特征，減少特征數(shù)據(jù)集中的屬性，得到可以表示人體行為的特征。（3）模型建立：通過對特征數(shù)據(jù)的訓(xùn)練，學(xué)習(xí)得到符合樣本分布的檢測模型，用于后續(xù)處理。（4）異常檢測：對測試數(shù)據(jù)同樣提取特征送入訓(xùn)練好的模型，按照一定的判決規(guī)則得到分類結(jié)果。2.1.3行為分類算法研究當前基于視頻下的人體異常行為檢測算法主要分為兩種：一種是傳統(tǒng)的基于機器學(xué)習(xí)的手工提取特征方法，一種是基于深度學(xué)習(xí)的分類方法。傳統(tǒng)的基于機器學(xué)習(xí)的方法基本都使用人工提取特征的方式，過程比較繁瑣且檢測準確率不高�；谏疃葘W(xué)習(xí)的方法能夠使網(wǎng)絡(luò)模型對視頻中的行為特征自行學(xué)習(xí)，這種方法既能夠提取到視頻序列中的深度特征，又能使檢測準確率得以提高，因而得到很多學(xué)者的認可。人體異常行為檢測中最重要的問題是如何選取最具有表征能力的特征。傳統(tǒng)的基于機器學(xué)習(xí)的方法，根據(jù)人體異常動作的特點，人為的設(shè)計特征，具有先驗的特點，面對不同的場景，不同的人選擇的特征也不同，由此訓(xùn)練的模型會缺乏泛化能力。傳統(tǒng)的手工提取特征的人體異常行為檢測算法流程如圖2.2所示。圖2.2基于手工提取特征的人體異常行為檢測算法流程圖

2相關(guān)理論基礎(chǔ)9和傳統(tǒng)的人體異常行為檢測方法相比較，深度學(xué)習(xí)方法不用繁瑣的手動提取特征，它是從數(shù)據(jù)樣本中自行學(xué)習(xí)行為特征并進行描述。深度學(xué)習(xí)方法對網(wǎng)絡(luò)從下而上進行學(xué)習(xí)并提取行為特征，如圖2.3所示，在模型的學(xué)習(xí)過程中，原始樣本圖像依次經(jīng)過輸入層和多隱藏層，由低層次的表示到高層次的表示，直到得到本質(zhì)的特征表示。圖2.3深度學(xué)習(xí)模型對樣本數(shù)據(jù)的提取與表示過程2.2深度學(xué)習(xí)概述GH等人在2006年提出了深度學(xué)習(xí)(DeepLearning)這一概念，深度學(xué)習(xí)源于對人工神經(jīng)網(wǎng)絡(luò)的研究，完美的實現(xiàn)了自動提取特征進行學(xué)習(xí)的過程。深度學(xué)習(xí)把分散的神經(jīng)元按照特定的連接方式組合成整個神經(jīng)網(wǎng)絡(luò)，模擬人腦進行學(xué)習(xí)和分析。下面對本文用到的一些深度學(xué)習(xí)原理進行概述。2.2.1神經(jīng)元神經(jīng)網(wǎng)絡(luò)是由許多基本的“神經(jīng)元”結(jié)構(gòu)構(gòu)成的，通過輸入帶有權(quán)值參數(shù)的值得到最后的輸出結(jié)果，單個神經(jīng)元的結(jié)構(gòu)如圖2.4所示。

【參考文獻】：
期刊論文
[1]視頻行為識別綜述[J]. 羅會蘭,王嬋娟,盧飛.  通信學(xué)報. 2018(06)
[2]基于Faster R-CNN的人體行為檢測研究[J]. 莫宏偉,汪海波.  智能系統(tǒng)學(xué)報. 2018(06)
[3]基于MATLAB圖像處理的頻率域濾波分析及應(yīng)用[J]. 東紅林,于蓮芝.  軟件導(dǎo)刊. 2017(10)
[4]基于深度學(xué)習(xí)的人體行為識別算法綜述[J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動化學(xué)報. 2016(06)
[5]人體動作行為識別研究綜述[J]. 李瑞峰,王亮亮,王珂.  模式識別與人工智能. 2014(01)
[6]L1/2正則化Logistic回歸[J]. 趙謙,孟德宇,徐宗本.  模式識別與人工智能. 2012(05)

博士論文
[1]視頻人臉及人體行為識別關(guān)鍵技術(shù)研究[D]. 劉宇琦.吉林大學(xué) 2018

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別研究[D]. 高陽.西安理工大學(xué) 2018
[2]基于圖像序列的運動目標檢測算法研究[D]. 李冠迪.重慶理工大學(xué) 2017
[3]面向智能視頻監(jiān)控系統(tǒng)的運動目標檢測與異常行為分析[D]. 朱明凌.中國計量學(xué)院 2015



本文編號：3615616