監(jiān)控視頻中的群體異常行為檢測是智能監(jiān)控系統(tǒng)中的一個關(guān)鍵問題,也是計算機視覺領(lǐng)域內(nèi)的一個研究熱點。對于非擁擠場景,由于前景簡單,群體異常行為檢測識別較為容易。在擁擠場景下,由于背景雜亂,許多運動目標和事件會同時發(fā)生,極大地提升了群體異常行為檢測的難度。在本文中,針對擁擠場景下的群體全局和局部異常行為檢測問題,重點研究群體行為基本表示和異常行為檢測模型,目的是提升群體異常行為檢測的魯棒性和準確性。主要的成果包括:（1）提出了最大光流投影直方圖（Histogram of Maximal Optical Flow Projection,HMOFP）。光流作為一種低層視覺特征,在描述群體行為基本表示中具有明顯的優(yōu)勢。為了解決背景噪聲等對光流特征的干擾,突出群體正常狀態(tài)和異常狀態(tài)下運動特征的差異性,在對光流矢量按區(qū)間進行統(tǒng)計時,選取該區(qū)間內(nèi)所有光流矢量在區(qū)間角平分線上的最大投影向量作為該區(qū)間的運動特征,從而消除區(qū)間內(nèi)包含噪聲在內(nèi)的幅值較小的光流產(chǎn)生的不利影響。結(jié)合支持向量機,驗證了提出的HMOFP在異常事件檢測中的優(yōu)越性和有效性。（2）提出了基于訓練樣本集合優(yōu)化的字典構(gòu)建方法。為了提升稀疏重建字典... 

【文章頁數(shù)】：152 頁

【學位級別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 群體行為基本表示
        1.2.2 異常行為檢測模型
    1.3 現(xiàn)階段研究存在的主要問題
        1.3.1 群體行為基本表示中存在的問題
        1.3.2 異常行為檢測模型中存在的問題
    1.4 論文的主要研究內(nèi)容
        1.4.1 基于光流的群體行為基本表示的研究
        1.4.2 稀疏重建中訓練樣本集合優(yōu)化與字典構(gòu)造方法
        1.4.3 重構(gòu)模型中對群體行為基本表示信息的充分利用
        1.4.4 利用深度學習完成群體全局異常行為檢測
    1.5 論文的組織結(jié)構(gòu)
2 監(jiān)控視頻中的群體異常行為檢測方法綜述
    2.1 群體異常行為檢測算法概述
        2.1.1 基于傳統(tǒng)方法的群體異常行為檢測算法
        2.1.2 基于深度學習的群體異常行為檢測算法
    2.2 群體異常行為檢測公共數(shù)據(jù)庫介紹
        2.2.1 群體全局異常行為檢測公共數(shù)據(jù)庫
        2.2.2 群體局部異常行為檢測公共數(shù)據(jù)庫
    2.3 本章小結(jié)
3 基于最大光流投影直方圖的群體異常行為檢測
    3.1 最大光流投影直方圖
        3.1.1 HS光流計算方法
        3.1.2 最大光流投影直方圖的計算方法
    3.2 單類支持向量機
    3.3 實驗結(jié)果
        3.3.1 實驗流程
        3.3.2 在數(shù)據(jù)庫中對HMOFP的性能評價
    3.4 本章小結(jié)
4 基于字典稀疏重建的群體異常行為檢測
    4.1 稀疏表示理論
    4.2 訓練樣本集合優(yōu)化與字典構(gòu)造
        4.2.1 訓練樣本集合優(yōu)化
        4.2.2 字典構(gòu)造
    4.3 實驗結(jié)果
        4.3.1 實驗流程
        4.3.2 評價標準
        4.3.3 在數(shù)據(jù)庫上對異常行為檢測模型的性能評價
    4.4 本章小結(jié)
5 基于低秩結(jié)構(gòu)字典的群體異常行為檢測
    5.1 低秩矩陣理論
        5.1.1 矩陣秩最小化理論
        5.1.2 低秩矩陣恢復理論
    5.2 低秩矩陣理論在群體異常行為檢測上的應(yīng)用
        5.2.1 群體行為基本表示的提取
        5.2.2 基于低秩緊致系數(shù)字典學習的群體異常行為檢測
    5.3 實驗結(jié)果
        5.3.1 在PETS 2009數(shù)據(jù)庫上的實驗結(jié)果
        5.3.2 在UMN數(shù)據(jù)庫上的實驗結(jié)果
        5.3.3 在UCSD數(shù)據(jù)庫上的實驗結(jié)果
        5.3.4 在CUHK Avenue數(shù)據(jù)庫上的實驗結(jié)果
    5.4 本章小結(jié)
6 基于深度學習的群體全局異常行為檢測
    6.1 深度學習在群體異常行為檢測中的應(yīng)用
    6.2 群體全局異常行為檢測
        6.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        6.2.2 LSTM網(wǎng)絡(luò)
        6.2.3 深度預測網(wǎng)絡(luò)
    6.3 實驗結(jié)果
        6.3.1 在UMN數(shù)據(jù)庫上的實驗結(jié)果
        6.3.2 在PETS 2009數(shù)據(jù)庫上的實驗結(jié)果
    6.4 四種檢測方法性能比較
    6.5 本章小結(jié)
7 結(jié)論
    7.1 論文工作總結(jié)
    7.2 未來工作展望
參考文獻
作者簡歷及攻讀博士學位期間取得的研究成果
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]中國及世界視頻監(jiān)控市場預測[J]. 迎九.  電子產(chǎn)品世界. 2018(08)
[2]基于視頻的人群異常事件檢測綜述[J]. 吳新宇,郭會文,李楠楠,王歡,陳彥倫.  電子測量與儀器學報. 2014(06)
[3]從壓縮傳感到低秩矩陣恢復:理論與應(yīng)用[J]. 彭義剛,索津莉,戴瓊海,徐文立.  自動化學報. 2013(07)
[4]壓縮感知理論及其研究進展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學報. 2009(05)

博士論文
[1]視頻中的異常事件檢測算法研究[D]. 馮亞闖.中國科學院大學(中國科學院西安光學精密機械研究所) 2016



本文編號：3674607