本文關鍵詞：基于高階特征和顯著性的視頻異常事件檢測研究及其應用

  更多相關文章： 智能視頻分析 視頻異常事件檢測 高階特征 顯著性檢測 視頻認證

【摘要】：近年來,隨著計算機與互聯(lián)網(wǎng)技術的飛速發(fā)展和社會各領域對安全需求的不斷增長,智能視頻分析技術得到了蓬勃發(fā)展。智能視頻分析就是綜合運用人工智能、機器學習及計算機等多學科理論與方法,對視頻內容進行分析、理解,實現(xiàn)對異常事件的自動檢測及預警,是目前大數(shù)據(jù)智能分析領域重要的研究方向之一,具有重要的理論意義和廣泛的應用前景。另一方面,視頻數(shù)據(jù)飛速增長,由此帶來的對視頻數(shù)據(jù)的安全保護問題也成為當前研究的熱點。本文針對智能視頻分析中的異常事件檢測及其在視頻安全認證領域的關鍵問題展開深入研究,旨在提高智能視頻分析系統(tǒng)的效率和智能化水平。通過深入挖掘視頻內容的運動屬性,擴展人類視覺認知機制在視頻分析領域中的應用,探尋更有效的視頻事件表示與模型構建方法,提高視頻異常事件檢測的性能。此外,為了實現(xiàn)對視頻的安全保護,以異常事件檢測為基礎,對視頻認證和篡改恢復展開研究。主要工作如下:一、考慮到視頻中的異常事件往往表現(xiàn)為運動的突變,而傳統(tǒng)基于光流統(tǒng)計信息的視頻描述方法通常側重于對運動速度的描述,忽視了對速度變化情況的刻畫。因此,提出基于高階特征的視頻事件表示方法,利用表征高階運動信息的高階特征實現(xiàn)對視頻運動變化的描述和表達,更充分、全面地刻畫視頻中的運動信息。為避免跟蹤算法在處理復雜、擁擠場景時的不足,提出短時光流跟蹤算法獲取目標的高階運動特征。為了使提出方法適應更多的視頻場景,又融合了傳統(tǒng)的低階特征,并通過構建回歸模型在線地確定低階和高階特征的最優(yōu)融合權重。通過在經(jīng)典的全局和局部異常視頻數(shù)據(jù)庫上的大量實驗,驗證了基于高階特征的異常檢測方法的有效性。二、視頻內容中的異常往往表現(xiàn)為視覺顯著,而視覺注意機制是高效處理海量、高維度和冗余數(shù)據(jù)的有力工具,因此,提出基于空時顯著性的異常事件檢測方法。根據(jù)空時顯著度將非顯著區(qū)域去除,在此基礎上進一步對異常進行檢測。由于冗余內容的去除,使得高效地構建整個場景的正常事件模型成為可能,因此通過對視頻內容的區(qū)域劃分技術,用區(qū)域級模型代替塊級模型。這不僅大大降低了模型構建的時間成本,而且有效解決了塊級模型樣本不充分問題,提高了檢測性能。在顯著度圖構建方面,提出兩種空間顯著度圖構建方法,并分別與時域顯著度圖融合,從空時角度全面地實現(xiàn)對視頻顯著區(qū)域的檢測。兩種空間顯著度圖構建方法如下:1.基于擴展區(qū)域對比度和有監(jiān)督局部保持投影(Extended Region Contrast and Supervised Locality Preserving Projection,ERC-SLPP)的圖像顯著性檢測模型。為增加圖像顯著區(qū)域與其它區(qū)域的對比度,充分利用“圖像的邊界多為背景”的先驗,通過擴展圖像邊界,實現(xiàn)突出顯著目標、抑制背景的目的。同時,考慮高維底層視覺特征之間的冗余特性及噪聲問題,采用有監(jiān)督局部保持投影對特征進行維數(shù)約簡。為進一步提高檢測性能,對基于擴展區(qū)域對比度與基于有監(jiān)督局部保持投影的顯著度圖進行融合。大量的實驗結果驗證了ERC-SLPP在圖像顯著性檢測中的有效性。2.基于改進多流形排序(Improved Multi-Manifold Ranking,IMMR)的圖像顯著性檢測方法。從圖像中的非顯著區(qū)域出發(fā),將顯著性檢測看成是一個多流形排序問題。使用來自于多個視角的特征協(xié)同檢測顯著性,并通過優(yōu)化策略深入發(fā)掘各特征間的相互關系,實現(xiàn)在顯著度圖構建過程中的特征融合。在多個經(jīng)典數(shù)據(jù)庫上的大量實驗表明,IMMR的圖像顯著性檢測性能優(yōu)于現(xiàn)有方法。在進行基于顯著性的視頻異常事件檢測時,分別結合以上兩種方法構建空時顯著度圖,在此基礎上進行異常事件檢測。大量的實驗結果證明了提出的基于顯著性的異常檢測算法的優(yōu)異性能。三、為了實現(xiàn)對視頻的安全認證,提出基于異常檢測的視頻認證與自恢復方法。由于異常區(qū)域往往是視頻中的重要及敏感區(qū)域,以“重要對象重點保護”為原則,提出分層的恢復方案,實現(xiàn)對異常區(qū)域的無損恢復的同時提高算法的恢復能力。為了確保嵌入前后提取的異常區(qū)域一致,使用合成幀代替原始視頻幀來進行異常檢測。在雙重水印嵌入過程中,基于異常區(qū)域自適應地選取嵌入位置和嵌入方案,實現(xiàn)盲提取與自恢復。實驗結果表明,該方法能夠準確實現(xiàn)對空域、時域和空時域篡改的定位,對一定程度的空間域篡改具有很好的重構能力,且能夠對異常區(qū)域實現(xiàn)無損恢復,有效地實現(xiàn)了對視頻內容的安全保護。
【關鍵詞】：智能視頻分析 視頻異常事件檢測 高階特征 顯著性檢測 視頻認證
【學位授予單位】：東北師范大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-20
• 1.1 研究背景及意義10-12
• 1.2 異常檢測的應用領域12-13
• 1.3 視頻異常檢測中的關鍵問題13-14
• 1.4 視頻異常檢測的研究現(xiàn)狀14-16
• 1.5 本文的主要研究內容和結構安排16-20
• 1.5.1 主要研究內容16-18
• 1.5.2 結構安排18-20
• 第二章 視頻異常事件檢測相關方法介紹20-30
• 2.1 視頻事件描述的相關方法介紹21-24
• 2.1.1 目標級描述方法21
• 2.1.2 像素級描述方法21-24
• 2.2 視頻異常檢測模型介紹24-29
• 2.2.1 基于概率的模型25-26
• 2.2.2 基于距離的模型26-27
• 2.2.3 基于重構的模型27-28
• 2.2.4 基于域的模型28-29
• 2.3 本章小結29-30
• 第三章 基于高階特征的視頻異常事件檢測30-48
• 3.1 引言30-31
• 3.2 一階特征提取31-32
• 3.3 高階特征提取32-33
• 3.4 基于高階特征的視頻異常事件檢測33-47
• 3.4.1 評價指標33-34
• 3.4.2 局部異常事件檢測實驗結果與分析34-42
• 3.4.3 全局異常事件檢測實驗結果與分析42-45
• 3.4.4 基于視頻內容的特征融合方法45-47
• 3.5 本章小結47-48
• 第四章 基于顯著性的視頻異常事件檢測48-82
• 4.1 引言48
• 4.2 顯著性檢測簡介48-51
• 4.2.1 顯著性檢測的研究意義48
• 4.2.2 顯著性檢測的研究現(xiàn)狀48-51
• 4.3 空間域顯著性檢測51-73
• 4.3.1 基于ERC和SLPP的空間域顯著性檢測51-57
• 4.3.2 基于改進多流形排序的空間域顯著性檢測57-63
• 4.3.3 空間域顯著性檢測實驗結果與分析63-73
• 4.4 基于顯著性的視頻異常事件檢測73-81
• 4.4.1 空時顯著度圖構建73-74
• 4.4.2 區(qū)域級模型的構建74-77
• 4.4.3 視頻異常事件檢測實驗結果與分析77-81
• 4.5 本章小結81-82
• 第五章 基于異常檢測的視頻認證82-97
• 5.1 引言82-84
• 5.2 基于異常檢測的視頻認證84-89
• 5.2.1 雙重水印嵌入84-87
• 5.2.2 篡改定位與自恢復87-89
• 5.3 實驗結果與分析89-96
• 5.3.1 視覺質量評估90-91
• 5.3.2 無篡改情況下的恢復實驗91-92
• 5.3.3 空間域篡改實驗92-94
• 5.3.4 時間域篡改實驗94-95
• 5.3.5 空時域篡改實驗95-96
• 5.4 本章小結96-97
• 第六章 總結與展望97-101
• 6.1 本文工作總結97-98
• 6.2 未來研究展望98-101
• 參考文獻101-110
• 致謝110-111
• 攻讀博士學位期間公開發(fā)表的論文

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 凌堅;;“想到別人想不到的”——凸現(xiàn)新聞顯著度漫談[J];城市黨報研究;2003年02期

2 王宇新;任志森;賈棋;郭禾;;基于顯著度的非監(jiān)督摳像方法[J];計算機工程;2012年05期

3 袁紅星;吳少群;朱仁祥;安鵬;;融合對象性和視覺顯著度的單目圖像2D轉3D[J];中國圖象圖形學報;2013年11期

4 凌堅;全力凸現(xiàn)新聞顯著度[J];傳媒觀察;2003年02期

5 蘇娜;張志強;劉志輝;;基于鏈接分析的圖林博客顯著度分析[J];情報資料工作;2010年01期

6 金巨波;張莉;;視覺信息的稀疏表示與顯著度檢測方法[J];哈爾濱師范大學自然科學學報;2014年01期

7 趙健;徐江斌;吳玲達;;基于網(wǎng)格顯著度的視點質量計算方法[J];計算機應用研究;2009年09期

8 韓彪;楊衛(wèi)英;鄭玉婷;;基于圖像稀疏表示視覺顯著度計算的自適應尺度調整方法[J];上海大學學報(自然科學版);2012年04期

9 曾鵬;許平;;基于視覺顯著度的H.264冗余片編碼技術[J];江漢大學學報(自然科學版);2013年01期

10 徐兵;李振德;;一種改進的圖像視覺顯著性檢測算法[J];廣東海洋大學學報;2013年06期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 葉強;李一軍;;基于支持度-顯著度的關聯(lián)規(guī)則分類方法研究[A];管理科學與系統(tǒng)科學研究新進展——第8屆全國青年管理科學與系統(tǒng)科學學術會議論文集[C];2005年

2 曹躍香;;現(xiàn)代漢語“V+子”式詞的指稱類別的認知解釋[A];江西省語言學會2009年年會論文集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 賴重遠;形狀部分的視覺顯著度與形狀編碼[D];華中科技大學;2013年

2 田明輝;視覺注意機制建模及其應用研究[D];中國科學技術大學;2010年

3 石艷嬌;基于高階特征和顯著性的視頻異常事件檢測研究及其應用[D];東北師范大學;2015年

4 張星;地標引導的城市復雜環(huán)境行人導航方法研究[D];武漢大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 蘇磊磊;基于小區(qū)域的圖像顯著度提取及應用研究[D];山東師范大學;2015年

2 崔小強;基于時空線索的快速視頻顯著度檢測[D];大連理工大學;2014年

3 韓瑞峰;內容敏感的圖形圖像顯著度檢測算法研究及其應用[D];浙江工業(yè)大學;2012年

4 孫晶;基于貝葉斯模型的圖像顯著度檢測[D];大連理工大學;2013年

5 任志森;基于顯著度摳像的圖像檢索研究與實現(xiàn)[D];大連理工大學;2011年

6 許慧娟;基于數(shù)學形態(tài)學的骨架層次性分解及顯著度計算與研究[D];華中科技大學;2010年

7 王君樂;視覺注意機制相關研究及其中視覺顯著度與重要度間關系的量化分析[D];華南理工大學;2010年

8 張俊杰;基于和諧泛音檢測的主旋律提取技術[D];上海交通大學;2007年

，

本文編號：528216