發(fā)布時間：2017-10-02 06:07

  本文關(guān)鍵詞：視頻監(jiān)控中運動對象提取與海量對象快速檢索

  更多相關(guān)文章： 視頻監(jiān)控 運動對象提取 摔倒檢測 快速檢索 哈希學(xué)習(xí) 深度學(xué)習(xí)

【摘要】：隨著技術(shù)的發(fā)展以及公共安全面臨的嚴(yán)峻挑戰(zhàn),中國近年來大規(guī)模開展“平安城市”工程建設(shè),視頻監(jiān)控已經(jīng)在社會中得到非常廣泛地應(yīng)用,并成為主要的安全監(jiān)控手段和方法。而在智能監(jiān)控領(lǐng)域中,對海量監(jiān)控視頻進(jìn)行有效地分析處理成為亟待研究的熱點問題。在智能視頻監(jiān)控處理中存在的一些主要問題包括： (1)視頻監(jiān)控中從復(fù)雜場景中提取運動對象；(2)視頻監(jiān)控中對于特定事件進(jìn)行智能分析；(3)視頻監(jiān)控中海量對象的快速檢索。 針對這些問題,本文進(jìn)行了相關(guān)研究,主要研究工作和創(chuàng)新點如下： 1)提出了一種基于局部頻域特征的魯棒運動對象提取方法 視頻監(jiān)控中人們最感興趣的往往是那些運動的對象,然而場景中的噪聲以及動態(tài)背景等會對提取結(jié)果產(chǎn)生很大的影響。為此,本文提出了一種基于局部頻域特征的魯棒運動對象提取方法。該方法首先從視頻幀圖像中提取像素級的局部頻域特征,并通過非參數(shù)建模方法構(gòu)建實時更新的背景模型,最后實驗表明,本文的方法與現(xiàn)有的一些算法相比能夠在動態(tài)背景以及光照變化的場景中取得更好的效果并且平均F值提升了5.46%。 2)提出了一種基于歸一化運動能量圖的運動對象摔倒事件檢測方法 針對視頻監(jiān)控中需要針對特定事件監(jiān)測的場景,本文提出了一種基于視頻分析的運動對象摔倒事件檢測方法。該方法首先使用上述運動對象提取方法從視頻中提取出人體輪廓,通過使用橢圓擬合輪廓并產(chǎn)生歸一化運動能量圖,然后根據(jù)從中提取的運動特征使用多類別SVM對摔倒過程的不同階段進(jìn)行分類,最后基于一個語法校驗?zāi)Ｐ瓦M(jìn)一步檢測得到摔倒事件。實驗結(jié)果表明,相較于現(xiàn)有的一些方法本文方法對于摔倒檢測的靈敏度達(dá)到了95.2%。 3)提出了一種支持多種特征融合的海量對象哈希檢索方法 針對傳統(tǒng)哈希檢索由于僅僅支持單種特征而存在特征描述不夠充分的問題,本文研究并提出了一種支持多特征融合的海量對象哈希檢索方法。該方法將多種特征利用核技巧映射到一個非線性組合的核空間中,然后在標(biāo)注好的訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)得到各個對象對應(yīng)的哈希碼,最后學(xué)習(xí)一個基于非線性組合核空間中超平面投影的哈希函數(shù)�；赮outube Faces數(shù)據(jù)集和從互聯(lián)網(wǎng)爬取的人臉圖像集的實驗表明,本文方法相較于現(xiàn)有的一些方法檢索準(zhǔn)確率最高可以提升7.6%,并且使用多特征融合的哈希結(jié)果優(yōu)于僅僅使用單個特征時的結(jié)果。 4)提出了一種基于深度學(xué)習(xí)的海量對象哈希檢索方法 針對在哈希學(xué)習(xí)中所提取的低層特征與高層語義之間存在很大的差異一—即“語義鴻溝”問題,本文提出了一種基于深度學(xué)習(xí)的語義相似哈希檢索方案。該方案包括兩種方法：基于層疊RBM的語義相似哈希學(xué)習(xí)方法(Deep Hash,即DH)和基于CNN的語義感知哈希學(xué)習(xí)方法(Deep Perceptual Hash,即DPH)。(1)DH方法：從傳統(tǒng)哈希學(xué)習(xí)的目標(biāo)出發(fā)提出新的目標(biāo)函數(shù)以及正則化項,并引入了層疊RBM構(gòu)建深層哈希學(xué)習(xí)模型；(2)DPH方法：基于DH方法的思想,使用CNN直接從圖像學(xué)習(xí)得到哈希碼,同時引入了正交約束下的學(xué)習(xí)方法,保證所得哈希碼的緊湊性。在CIFARIO數(shù)據(jù)集上的實驗表明,本文提出的基于深度學(xué)習(xí)的哈希方法性能要優(yōu)于其他的一些“淺層”哈希方法,其中在生成48比特哈希碼的情況下DH方法和DPH方法的平均準(zhǔn)確率分別提高了5.72%和8.17%。 本文研究是國家自然科學(xué)基金“結(jié)合多粒度語義的海量視頻P2P快速相似性檢索”(編號：60975045)、國家科技支撐計劃課題“增強型搜索系統(tǒng)架構(gòu)、關(guān)鍵技術(shù)及測試規(guī)范的研究”(編號：2011BAH11B01),和中國科學(xué)院先導(dǎo)專項子課題“網(wǎng)絡(luò)視頻傳播與控制”(編號：XDA06030900)的一部分。
【關(guān)鍵詞】：視頻監(jiān)控 運動對象提取 摔倒檢測 快速檢索 哈希學(xué)習(xí) 深度學(xué)習(xí)
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TN948.6
【目錄】：

• 摘要5-7
• ABSTRACT7-9
• 目錄9-12
• 圖目錄12-14
• 表目錄14-15
• 第1章 緒論15-21
• 1.1 研究背景及意義15-17
• 1.2 關(guān)鍵問題與相關(guān)應(yīng)用17-18
• 1.3 本文主要研究內(nèi)容與創(chuàng)新點18-19
• 1.4 本文的組織結(jié)構(gòu)19-21
• 第2章 相關(guān)技術(shù)研究與背景21-41
• 2.1 視頻監(jiān)控智能分析研究綜述21-23
• 2.2 運動對象提取相關(guān)方法與應(yīng)用23-28
• 2.2.1 運動對象提取研究現(xiàn)狀23-26
• 2.2.2 運動對象摔倒檢測26-28
• 2.3 海量對象快速檢索28-33
• 2.3.1 相似距離度量28-29
• 2.3.2 快速檢索方法29-33
• 2.4 深度學(xué)習(xí)33-41
• 2.4.1 深度學(xué)習(xí)發(fā)展與概述33-35
• 2.4.2 深度學(xué)習(xí)常用模型35-39
• 2.4.3 深度學(xué)習(xí)在圖像檢索上的應(yīng)用39-41
• 第3章 基于局部頻域特征的魯棒運動對象提取41-51
• 3.1 問題描述41-43
• 3.2 基于局部頻域特征的魯棒運動對象提取方法43-47
• 3.2.1 運動對象提取架構(gòu)43
• 3.2.2 像素級局部頻域特征提取43-45
• 3.2.3 動態(tài)背景建模與更新45-47
• 3.2.4 閃爍點消除及后處理47
• 3.3 實驗與分析47-50
• 3.3.1 實驗設(shè)置47-48
• 3.3.2 方法對比和分析48-50
• 3.4 總結(jié)50-51
• 第4章 基于歸一化運動能量圖的運動對象摔倒檢測51-65
• 4.1 問題描述51-52
• 4.2 基于歸一化運動能量圖的運動對象摔倒檢測52-59
• 4.2.1 摔倒事件檢測架構(gòu)52-53
• 4.2.2 運動對象輪廓提取與表示53-55
• 4.2.3 歸一化運動能量圖55-57
• 4.2.4 運動特征提取57
• 4.2.5 多階段分類及語法校驗方法57-59
• 4.3 實驗與分析59-63
• 4.3.1 實驗設(shè)置59-60
• 4.3.2 方法對比和分析60-63
• 4.4 總結(jié)63-65
• 第5章 支持多特征融合的海量對象哈希檢索65-77
• 5.1 問題描述65-67
• 5.2 支持多特征融合的海量對象哈希檢索方法67-73
• 5.2.1 多特征融合哈希學(xué)習(xí)架構(gòu)67
• 5.2.2 非線性組合核空間構(gòu)造67-68
• 5.2.3 有監(jiān)督的哈希碼學(xué)習(xí)68-71
• 5.2.4 基于非線性多核的哈希函數(shù)學(xué)習(xí)71-73
• 5.3 實驗與分析73-76
• 5.3.1 實驗設(shè)置74
• 5.3.2 方法對比和分析74-76
• 5.4 總結(jié)76-77
• 第6章 基于深度學(xué)習(xí)的海量對象哈希檢索77-91
• 6.1 相關(guān)研究77-79
• 6.2 基于層疊RBM的深度哈希學(xué)習(xí)方法79-83
• 6.2.1 問題描述79-80
• 6.2.2 算法介紹80-83
• 6.3 基于CNN的深度感知哈希學(xué)習(xí)方法83-86
• 6.3.1 問題描述83-84
• 6.3.2 算法介紹84-86
• 6.4 實驗與分析86-88
• 6.4.1 實驗設(shè)置86
• 6.4.2 方法對比和分析86-88
• 6.5 總結(jié)88-91
• 第7章 總結(jié)與展望91-95
• 7.1 論文工作總結(jié)91-92
• 7.2 研究工作展望92-95
• 參考文獻(xiàn)95-105
• 致謝105-107
• 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果107-108

【共引文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李志成;秦世引;Itti Laurent;;遙感圖像的顯著-概要特征提取與目標(biāo)檢測[J];北京航空航天大學(xué)學(xué)報;2010年06期

2 ;Natural Scene Classification Inspired by Visual Perception and Cognition Mechanisms[J];重慶理工大學(xué)學(xué)報(自然科學(xué));2011年07期

3 謝昭;高雋;;基于高斯統(tǒng)計模型的場景分類及約束機制新方法[J];電子學(xué)報;2009年04期

4 劉碩研;須德;馮松鶴;劉鏑;裘正定;;一種基于上下文語義信息的圖像塊視覺單詞生成算法[J];電子學(xué)報;2010年05期

5 高常鑫;桑農(nóng);;整合局部特征和濾波器特征的空間金字塔匹配模型[J];電子學(xué)報;2011年09期

6 孫顯;付琨;王宏琦;;基于空間語義對象混合學(xué)習(xí)的復(fù)雜圖像場景自動分類方法研究[J];電子與信息學(xué)報;2011年02期

7 徐慧樸;馬孜;吳德烽;;逆向工程中三維離散點云的平滑整定新算法[J];工程設(shè)計學(xué)報;2008年02期

8 胡正平;戎怡;;基于EILBP視覺描述子結(jié)合PLSA的場景分類算法[J];光電工程;2010年11期

9 蔡睿妍;田全;;視頻序列中目標(biāo)的檢測與跟蹤[J];電視技術(shù);2012年15期

10 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 張潔琳;林秉雄;;Gabor-SIFT:一種新的特征點匹配方法[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

2 王晗;滕鵬;梁瑋;;使用稠密興趣點包的非對稱風(fēng)景圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【poster】[C];2011年

3 劉林;李金屏;王真;;基于多顏色空間和累計直方圖的視頻場景分類[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

4 Jilin Hu;Shiqiang Hu;Zhuojin Sun;;A Real Time Dual-Camera Surveillance System Based On Tracking-Learning-Detection Algorithm[A];第25屆中國控制與決策會議論文集[C];2013年

5 Weihai Chen;Kai Ding;Xingming Wu;;Dimension reduction based SPM for image classification[A];第25屆中國控制與決策會議論文集[C];2013年

6 安國成;羅志強;李洪研;;改進(jìn)運動歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

7 亓峰;劉昆;張超;王德原;;圓和維諾圖相交模擬基站覆蓋[A];2013年全國通信軟件學(xué)術(shù)會議論文集[C];2013年

8 鄭歆慰;孫顯;付琨;王宏琦;;基于低秩重構(gòu)領(lǐng)域自適應(yīng)的大規(guī)模遙感圖像分類方法研究[A];第三屆高分辨率對地觀測學(xué)術(shù)年會優(yōu)秀論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 田文;多視圖圖像的快速三維場景重建[D];華中科技大學(xué);2010年

2 涂虬;智能視覺監(jiān)視中目標(biāo)檢測與跟蹤算法研究[D];華中科技大學(xué);2010年

3 鹿瑞;自然圖像的顏色恒常性計算研究[D];北京交通大學(xué);2010年

4 江悅;場景圖像內(nèi)容表述和分類研究[D];國防科學(xué)技術(shù)大學(xué);2010年

5 解文杰;基于中層語義表示的圖像場景分類研究[D];北京交通大學(xué);2011年

6 白明;自主移動機器人的運動規(guī)劃與圖像理解研究[D];大連理工大學(xué);2011年

7 周文罡;基于局部特征的視覺上下文分析及其應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2011年

8 魏玲;真實場景中視覺搜索的背景線索效應(yīng)[D];天津師范大學(xué);2011年

9 趙才榮;基于圖嵌入與視覺注意的特征抽取[D];南京理工大學(xué);2011年

10 黃雙萍;通用視覺目標(biāo)識別的關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 林秉雄;SIFT特征匹配標(biāo)準(zhǔn)與匹配方式的改進(jìn)與應(yīng)用[D];大連理工大學(xué);2010年

2 閆國青;基于SIFT的場景理解方法研究[D];長春工業(yè)大學(xué);2010年

3 蔣志成;基于視頻素材的虛擬場景生成系統(tǒng)[D];浙江大學(xué);2011年

4 麻志勇;基于KD-樹的點模型表示與空間變形算法研究[D];西安電子科技大學(xué);2009年

5 馮愛萍;基于內(nèi)容的圖像檢索系統(tǒng)研究[D];北京郵電大學(xué);2011年

6 朱士蓉;基于圖模型的圖像分析研究[D];合肥工業(yè)大學(xué);2011年

7 賀廣南;面向語義的圖像檢索關(guān)鍵技術(shù)研究[D];南京大學(xué);2011年

8 陳麗霞;圖像對稱特征的提取以及在選擇性注意模型中的應(yīng)用[D];電子科技大學(xué);2011年

9 馮柯;交通視頻中視點無關(guān)目標(biāo)分類與檢索方法研究[D];杭州電子科技大學(xué);2009年

10 譚菊;基于視覺感知的目標(biāo)特性分析[D];重慶大學(xué);2010年

，

本文編號：957940