收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于视频的群体异常行为检测算法研究

吴玉林  
【摘要】:群体异常行为检测作为视频监控领域中的关键技术,有着非常重要的研究价值。及时准确地发现人群中发生的异常行为,如人群异常聚集、打架斗殴等,并采取相对应的措施,对维护公共安全、保障人民群众的生命财产具有重要意义。随着机器学习特别是深度学习的快速发展,基于图像的个体异常行为检测技术越来越成熟,但是基于视频的群体异常行为检测技术仍有很多难点亟待解决,如实时性不够好、检测精度低等。本文首先介绍了群体异常检测方面的相关知识,其中包括传统机器学习和深度学习的相关理论,然后在UMN数据集、UCSD数据集、和自建数据集上分别采用了传统机器学习和深度学习的方法来进行视频的群体异常行为检测,并将实验结果与其他算法进行了对比分析。本文的主要工作内容为:1、分别从传统机器学习和深度学习方面介绍了群体异常行为检测的基本理论。在传统机器学习方面介绍了群体异常行为检测流程,重点介绍了稀疏光流法和稠密光流法的基本原理,然后介绍了常用二分类模型支持向量机。在深度学习方面介绍了深度学习相关概念、神经网络的结构及其训练过程,并详细介绍了深度学习模型中的自编码模型和卷积神经网络模型。2、提出一种结合复小波域去噪和粒子群优化孪生支持向量机(PSO-TSVM)的群体异常行为检测算法。首先通过Horn-Schunck光流法提取视频中群体行为的速度、加速度、方向特征和人群密度特征,然后利用非抽样对偶树复小波包变换(NS-DTCWPT)对提取的特征进行多分辨率分解,利用双变量模型去除所提取特征中的噪声。NS-DTCWPT在整个频段实现了更精细的频带划分,且具有平移不变性,双变量去噪模型考虑了信号经过多分辨率分解后不同小波系数之间的相关性,提高了去噪效果。孪生支持向量机(TSVM)对不均衡数据具有很好的处理能力,经过粒子群算法优化后的孪生支持向量机模型具有更好的泛化性能。在UMN视频数据集和自建数据集上的实验结果表明,相较于社会力模型和粒子熵模型等方法,所提算法具有更高的检测准确率。3、提出一种基于多列时空自编码器的群体异常行为检测算法。该算法利用一种简单有效的多列时空自编码器网络架构来将视频图像作为输入,在自编码器的帮助下自动捕获数据中的空间结构,这些空间结构被组合在一起构成视频表示。这种表示被馈送到多列时空自编码器的栈中以学习常规时间模式。所提出的多列时空自编码器允许输入图像具有任意大小或分辨率,通过利用不同大小感受视野的滤波器,使每列自编码器学习得到的特征可以自适应由于透视或图像分辨率引起的视频中异常事件大小的变化。同时引入了三层卷积长期短期记忆LSTM模型,LSTM能解决RNN无法有效利用大跨度历史信息的问题,也避免了模型训练时梯度消失的问题。


知网文化
【相似文献】
中国硕士学位论文全文数据库 前1条
1 吴玉林;基于视频的群体异常行为检测算法研究[D];安徽大学;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978