本文選題：人群異常狀態(tài)檢測　切入點：慢特征分析　出處：《哈爾濱工業(yè)大學》2017年博士論文

【摘要】：近年來,隨著社會發(fā)展,很多公共場所如運動場館、演出場館、節(jié)日慶典現(xiàn)場以及大型商業(yè)區(qū)等,偶爾會出現(xiàn)大量人群聚集的現(xiàn)象,極易發(fā)生擁擠踩踏事故。群體性公共安全事件頻發(fā)對以視頻監(jiān)控為代表的人群行為分析研究提出了更高的要求。在人群視頻監(jiān)控領域應用人群異常狀態(tài)檢測預警技術能夠及時發(fā)現(xiàn)場景中的異�，F(xiàn)象,為后續(xù)的救援以及疏導工作提供支持,減少人群異常事件帶來的損失。人群異常行為檢測的過程可以概括為,采用視頻中正常行人樣本訓練一個檢測模型,將與正常樣本存在較大差異的待測試樣本判定為異常。人群異常狀態(tài)預警方法往往先演進出場景未來的狀態(tài),在演進得到的狀態(tài)上發(fā)現(xiàn)人群的異常,從而實現(xiàn)對人群事故的預警。本文主要研究內(nèi)容包括:(1)研究人群場景中表達能力較強的高語義特征,提出一種基于慢特征分析(Slow Feature Analysis)的人群異常狀態(tài)檢測方法。通常人眼接收到的基礎感知信號會在短時間內(nèi)發(fā)生快速變化,而收到基礎信號刺激后,人腦產(chǎn)生的高級反應則趨向于在更長的時間內(nèi)發(fā)生緩慢的變化。慢特征分析方法模擬了人類視覺皮層反應區(qū)域的這一功能,通過一個映射函數(shù),將快速變化的低語義視覺特征轉(zhuǎn)換為高語義的人群行為特征。高語義特征更能表現(xiàn)場景中的宏觀現(xiàn)象,使異常行為更容易被區(qū)分。把場景劃分成大小相同的時空小塊,本研究建立了一個圖模型,圖的每個頂點用一個時空小塊的高語義特征表示,在頂點間邊權重的表示中加入時空關系項,使人群運動特征、時間、空間維度的信息統(tǒng)一起來。實驗證明該方法獲得了較好的檢測效果。(2)研究分析離線學習方法所面對的訓練樣本種類單一以及訓練樣本缺乏的問題,提出一種基于雙稀疏表示的在線人群異常狀態(tài)檢測方法。雙稀疏表示檢測方法包含兩個稀疏表示過程,每個稀疏表示過程都擁有一個字典,分別包含了正常和異常兩類樣本。綜合兩個稀疏表示過程的結(jié)果,給出該測試樣本的最終標簽。雙稀疏表示方法不但能夠描述正常樣本,同時還能描述異常樣本,將樣本的類間信息引入訓練中,使檢測方法擁有了類間區(qū)分能力。此外,該檢測方法還包含一個在線學習過程——動態(tài)字典更新,用于實時將測試樣本加入所對應的字典,提高雙稀疏表示字典的描述能力。實驗結(jié)果表明,雙稀疏表示方法相對以往的人群異常檢測方法具有更高的異常事件檢測率和更低的平均錯誤率。(3)研究分析在線學習方法中錯誤累積問題的解決方法,提出一種基于帶約束隨機游走圖模型和自適應樣本選擇策略的人群異常狀態(tài)檢測學習方法。帶約束隨機游走(Controlled Random Walk,CRW)圖模型,能控制加標記過程的隨機游走路徑,避開錯誤集中區(qū)域,同時其允許對已經(jīng)獲得標記的樣本重新標記,從而具備了為錯誤樣本糾錯的能力。自適應樣本選擇策略基于噪聲學習理論獲得,在最小化期望分類錯誤率的準則下自動選擇標記置信度最高的一批測試樣本加入到訓練集中,使分類錯誤率降低。將CRW圖模型和自適應策略嵌入到自學習的框架中,可以有效降低在線學習過程中由錯誤標記樣本引起的錯誤累積,并將更多的樣本加入訓練,強化檢測器對人群樣本區(qū)分能力,提高檢測效果。實驗表明,將該方法應用到典型的人群異常檢測模型的訓練中,可以克服錯誤樣本的引入造成的錯誤累積,有效提高人群異常檢測模型的檢測效果。(4)研究人群未來狀態(tài)的演進以及預報方法,提出一種基于目的驅(qū)使格子Boltzmann模型高密度人群異常狀態(tài)檢測預警方法。研究表明高密度人群與流體有很多相似性,但高密度群體中的行人個體除了可以像流體一樣發(fā)生碰撞和移動外,還有著向人群主要運動方向靠近并保持一致的趨勢。本文將這種趨勢概括為行人的目的驅(qū)使,并在格子Boltzmann模型的流動過程中加入了行人的這種目的驅(qū)使。目的驅(qū)使格子Boltzmann模型可以從當前時刻開始演進出人群運動的未來狀態(tài)。在此基礎上,采用行為熵(Behavior Entropy)模型檢測演進出的速度場上的異常,從而實現(xiàn)對人群異常狀態(tài)的預警。實驗表明,目的驅(qū)使格子Boltzmann模型具有較強的人群異常狀態(tài)預警能力。本課題在人群運動狀態(tài)分析方面的研究工作,提出了基于慢特征分析和圖的人群異常狀態(tài)檢測方法,將高語義信息融入異常檢測的研究中;提出了基于雙稀疏表示的在線人群異常狀態(tài)檢測方法,將場景中正常以及異常的行為樣本加入到稀疏字典中,提高了檢測方法對兩種人群行為類別的區(qū)分能力,同時提出一種在線學習方法,優(yōu)化檢測方法性能;通過基于帶約束隨機游走圖模型以及自適應樣本選擇策略的人群異常狀態(tài)檢測學習方法,避免訓練中的錯誤累積現(xiàn)象;在分析高密度人群以及流體的異同的基礎上,提出目的驅(qū)使格子Boltzmann模型,演進出當前視頻中人群運動的未來狀態(tài),并在此基礎上實現(xiàn)了對人群異常狀態(tài)的預警。
[Abstract]:In recent years , with the development of society , many public places such as sports venues , show venues , holiday celebrations , and large commercial areas have occasionally experienced a large number of crowd - gathering phenomena . ( 3 ) In this paper , a method for detecting the abnormal state of the population is proposed based on the model of random walk and CRW .

【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫編碼[J];電子學報;2007年10期

2 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

3 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學與光譜分析;2009年07期

4 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學報;2011年03期

5 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設計;2012年05期

6 高志榮;熊承義;笪邦友;;改進的基于殘差加權的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

7 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

8 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關性測度[J];模式識別與人工智能;2013年01期

9 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應用;2013年05期

10 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;2013年04期

相關會議論文 前10條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 Yu CHEN;Shulong TENG;Hirotada OHASHI;;On the Lattice Boltzmann Modeling of Multi-Phase Flows[A];Genetic Algorithm and Its Application to Physics, Life Science and Engineering--Proceedings of CCAST (World Laboratory) Workshop[C];1999年

4 馮士德;;多種粒子相耦合的格子Boltzmann模型[A];“力學2000”學術大會論文集[C];2000年

5 馮士德;;多組份流體的格子模型Boltzmann[A];第十四屆全國水動力學研討會文集[C];2000年

6 梁宏;施保昌;;基于相場理論的不可壓格子Boltzmann兩相流模型及其應用[A];第十六屆全國流體力學數(shù)值方法研討會2013論文集[C];2013年

7 丁麗霞;施衛(wèi)平;鄭海成;;格子Boltzmann方法模擬圓腔流[A];慶祝中國力學學會成立50周年暨中國力學學會學術大會’2007論文摘要集（下）[C];2007年

8 李志輝;方明;唐少強;;氣體運動論統(tǒng)一算法與DSMC方法描述Boltzmann方程的一致性研究[A];北京力學會第18屆學術年會論文集[C];2012年

9 譚玲燕;李秀文;李偉杰;;用Lattice Boltzmann方法模擬腔體內(nèi)攪動流體[A];第十六屆全國流體力學數(shù)值方法研討會2013論文集[C];2013年

10 李志輝;彭傲平;張涵信;;求解Boltzmann模型方程的高性能并行計算方法研究[A];中國力學大會——2013論文摘要集[C];2013年

相關博士學位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應癥預測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復原與壓縮研究[D];北京工業(yè)大學;2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學;2015年

7 解虎;高維小樣本陣列自適應信號處理方法研究[D];西安電子科技大學;2015年

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學;2014年

相關碩士學位論文 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學;2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學;2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

6 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

8 賀妍斐;基于稀疏表示與自適應倒易晶胞的遙感圖像復原方法研究[D];南京信息工程大學;2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

10 應艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

，

本文編號：1671068