学位论文 > 优秀研究生学位论文题录展示

面向智能视频监控的事件检测建模及优化

作　者: 邱靖邦
导　师: 郑世宝
学　校: 上海交通大学
专　业: 信号与信息处理
关键词: 智能视频监控系统(IVSS) 认知过程(Cognitive Process) 高斯混合模型(GMM) 贝叶斯网络(BN) 隐马尔科夫模型(HMM)
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 109次
引　用: 2次
阅　读: 论文下载
 

内容摘要


本文主要探讨贝叶斯网络(Bayesian Network, BN)以及隐马尔科夫模型(Hidden Markov Model, HMM),在智能视频监控系统(Intelligent Video Surveillance System, IVSS)中出现的事件进行检测、建模、应用、及对其优化,具体指对监控事件的检测、针对特定监控事件的建模方式以及本地化、与网络模型相关的结构优化和参数优化、以及对监控事件检测质量的评价。近年,随着网络技术、集成电路技术、计算机技术、嵌入式技术及计算机视觉(Computer Vision, CV)技术的进一步发展,以及人们对降低监控系统成本、提高系统效率、增加系统智能度的迫切要求下,IVSS已经成为下一代带的视频监控系统,并逐渐引起了国内外的广泛关注。基于CV算法的智能图像处理作为IVSS的重要实现环节更是研究的重中之重。然而,由于很多优秀的CV算法往往需要较大的计算复杂度,而计算复杂度较低的CV算法则往往无法满足所需要的检测精度,导致很多完全基于CV算法所建立起来的IVSS其实用性有待提高。随着对BN概率统计模型研究、隐马尔科夫模型等一系列突破性工作以及对认知过程(Cognitive Process)的发现和挖掘,科学家开始转向CV算法与认知过程融合的研究。普遍认为,认知过程的引入可以提高系统的鲁棒性、提升检测质量、减低模型建模难度、降低系统优化所需要的数据量、以及降低系统的计算复杂度。现有的实验事实也说明了这一点。基于认知过程的这些优点,本文考虑将认知过程引入到IVSS当中,以提供更准确、更快速、更简单的系统模型为目的,构成以前景背景分割、监控事件建模、以及模型优化三大块组成的IVSS。本文的具体研究内容分为以下三个部分:首先,本文探讨基于CV算法的前景背景分割方法。作为IVSS的CV算法部分,前景背景分割方法为认知过程提供前景掩模(Foreground Mask)以及简单的连通区域分割信息。考虑到实际IVSS当中会大量出现摄像头噪点、频繁的背景扰动、以及光照变化等状况,本文提出自适应调整的高斯混合模型(Adaptive Adjusted Gaussian MixtureModel, AAGMM)作为前景背景分割方法,即使用高斯混合模型(Gaussian Mixture Model, GMM)作为基础,加入对纹理(Texture)以及亮度(Intensity)特征的识别,引入训练像素(Training Pixel),从而增强GMM对频繁背景扰动以及快慢光照变化的鲁棒性。同时,为了减轻GMM的计算复杂度,本文提出一种基于最大期望算法(Expectation Maximization, EM)的在线自学习(Online Optimization)方案,进而在保障检测精度的前提下减低CV算法部分所需要的时间。其次,本文分别探讨基于认知过程的两种监控事件建模方法以及他们各自的模型优化方案。从系统精度要求出发,本文首先提出一种基于BN的监控事件的IVSS建模方法,并将其实际运用在非法入侵(Illegal Access, IA)事件以测试其实用性以及检测精度。同时,考虑基于BN的建模方法其优化过程中搜索空间过大的问题,本文摒弃传统EM算法优化的方法,提出基于遗传算法(Genetic Algorithm, GA)的BN优化方式,并展开讨论针对实际BN模型的优化方法。之后,考虑基于BN的建模方法其系统灵活性较低的问题,本文提出一种基于混合层HMM (Cross Layer HMM, CLHMM)的判决网络建模方法。该方法在分层的HMM (Layered HMM, LHMM)基础上加入了跨层的事件推导关系,达到减少系统冗余、降低优化复杂度、提升系统建模灵活性、减少优化所需数据量、同时保证检测质量的目的。最后,针对IA事件检测,本文对基于BN以及CLHMM的两种建模方法进行实验并从检测精度、误警率、检测耗时、优化耗时、鲁棒性等方面评价他们的检测效果。另外,本文对这两种建模方法进行了系统化的比较。实验证明,基于BN以及CLHMM的两种建模方法都可以达到和基于CV算法的IVSS相当的检测精度,并且能够在实际的IVSS中达到实时处理的效果;从系统复杂度来看,CLHMM相对于BN有明显的优势,因此更适合实际IVSS的应用。

全文目录


摘要  5-7
ABSTRACT  7-13
第一章 绪论  13-26
  1.1 引言  13-15
    1.1.1 视频监控系统的社会背景  13-14
    1.1.2 视频监控系统的发展前景  14-15
  1.2 视频监控系统实现方式的分类  15-17
    1.2.1 模拟视频监控系统  16
    1.2.2 数字视频监控系统  16-17
    1.2.3 智能视频监控系统  17
  1.3 智能视频监控技术  17-22
    1.3.1 主要特点及其应用  18-20
    1.3.2 IVSS 的实现技术  20-21
    1.3.3 主要实现难点  21-22
  1.4 国内外研究现状  22-23
  1.5 本文主要研究内容  23-26
    1.5.1 前景背景分割  23-24
    1.5.2 事件检测模型  24
    1.5.3 模型优化算法  24-26
第二章 基于高斯混合模型的前景背景分割  26-46
  2.1 前景背景分割方法综述  26-29
    2.1.1 背景差法/ 帧差法  26-27
    2.1.2 光流法  27-29
    2.1.3 基于高斯混合模型的背景模拟  29
  2.2 高斯混合模型(GMM) 综述  29-31
  2.3 基于纹理/ 亮度特征以及训练像素的GMM 的研究  31-39
    2.3.1 引入纹理/ 亮度特征：消除快速照度变化的误判/ 阴影去除  31-32
    2.3.2 GMM 中纹理/ 亮度特征的量化计算方案  32-33
    2.3.3 引入训练像素：消除缓慢照度变化的误判  33
    2.3.4 GMM 中训练像素的更新方案  33-34
    2.3.5 前景背景分割质量评价算法  34-36
    2.3.6 实验验证  36-39
  2.4 基于最大期望值(EM) 算法的在线自适应GMM 的研究  39-43
    2.4.1 在线自适应学习：EM 算法  39-40
    2.4.2 利用EM 算法降低GMM 计算复杂度  40-43
    2.4.3 实验验证  43
  2.5 本章小结  43-46
第三章 监控事件检测的贝叶斯网络建模及其优化  46-71
  3.1 监控事件检测方法  46-48
    3.1.1 基于相似度的检测方法  46-47
    3.1.2 非监督的检测方法  47
    3.1.3 基于认知过程的检测方法  47-48
  3.2 贝叶斯网络(BN)  48-53
    3.2.1 贝叶斯网络综述  49-52
    3.2.2 动态贝叶斯网络(DBN)  52-53
  3.3 基于BN 的监控事件检测建模  53-60
    3.3.1 由底向上的BN 层次化结构  53-54
    3.3.2 由底至上的BN 推导方法  54-56
    3.3.3 针对非法入侵事件的BN 建模实例  56-60
  3.4 基于遗传算法(GA) 的BN 模型优化  60-68
    3.4.1 传统的优化算法  60
    3.4.2 遗传算法综述  60-62
    3.4.3 遗传算法的优缺点  62-63
    3.4.4 面向BN 的GA 建模  63-65
    3.4.5 面向BN 的GA 机制：选择，交叉，变异  65-66
    3.4.6 面向BN 的GA 评价函数设计  66-68
    3.4.7 GA 优化后的BN 模型  68
  3.5 本章小结  68-71
第四章 监控事件检测的隐马尔科夫模型建模及其优化  71-93
  4.1 隐马尔科夫模型(HMM)  71-78
    4.1.1 隐马尔科夫模型综述  71-75
    4.1.2 HMM 的优劣  75-76
    4.1.3 层次化的HMM (LHMM)建模方法  76-78
  4.2 基于HMM 的监控事件检测建模的研究  78-85
    4.2.1 基于LHMM 的混合层HMM (CLHMM)建模方案  79-81
    4.2.2 基于公共特征粒子集(CFPS) 的底层特征提取方案  81-82
    4.2.3 CLHMM 的推导传递方法  82
    4.2.4 针对非法入侵事件的CLHMM 建模实例  82-85
  4.3 基于BAUM-WELCH 算法的CLHMM 网络优化  85-90
    4.3.1 针对个体HMM 进行优化：Baum-Welch 算法  85-88
    4.3.2 针对视频整体的Baum-Welch 阈值评价函数的设定  88-90
    4.3.3 针对CLHMM 层间推导关系的优化  90
  4.4 本章小结  90-93
第五章 实验及其结果分析  93-108
  5.1 实验目的及评价方法  93-96
    5.1.1 非法入侵事件检测  93-94
    5.1.2 面对视频整体检测质量的函数评价方案  94-96
  5.2 实验环境  96-97
  5.3 实验数据与结论  97-106
    5.3.1 基于BN 的监控事件检测方案  97-100
    5.3.2 基于CLHMM 的监控事件检测方案  100-104
    5.3.3 基于BN 以及基于CLHMM 的监控事件检测方案的比较  104-106
  5.4 本章小结  106-108
第六章 总结与展望  108-112
  6.1 本文主要贡献与收获  108-110
  6.2 存在问题与未来展望  110-112
参考文献  112-121
附录一 英文缩略语表  121-123
攻读硕士学位期间已发表或录用的论文  123-125
致谢  125

相似论文

  1. 基于手机势识别的通用控制研究,TP391.41
  2. 基于彩色图像的道路环境分类技术研究,TP391.41
  3. 基于驾驶行为的驾驶状态分析系统,TP274
  4. 基于统计特性的汉语方言辨识方法研究,TP391.42
  5. 基于HMM模型的启动子预测系统的设计与实现,Q78
  6. 高斯混合模型和自调整模糊控制器在ICA算法中的应用,TP274.4
  7. 大鼠运动行为的自动分析,R-332
  8. 基于小波变换和GMM的病态嗓音特征提取及识别研究,TP391.41
  9. 基于FPGA的数字图像处理基本算法研究与实现,TP391.41
  10. 2D人脸模板保护算法研究,TP391.41
  11. 空中目标与背景的红外图像仿真技术研究,TP391.41
  12. 基于智能学习的多传感器目标识别与跟踪系统研究,TP391.41
  13. 双传感器图像联合目标检测及系统实现研究,TP391.41
  14. 雾天或背光条件下图像清晰化算法研究及硬件实现,TP391.41
  15. 基于纹理特征的视频编码技术研究,TP391.41
  16. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  17. 电子稳像系统中旋转稳像算法研究,TP391.41
  18. 图像的稀疏表示及编码模型研究,TP391.41
  19. 二维粗糙表面光散射特性模拟与实验研究,TP391.41
  20. JPEG图像的透明安全性研究,TP391.41
  21. 森林防火系统中图像识别算法的研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com