学位论文 > 优秀研究生学位论文题录展示

智能视频监控中的目标识别与异常行为建模与分析

作　者: 张一
导　师: 杨杰
学　校: 上海交通大学
专　业: 模式识别与智能系统
关键词: 智能视频监控计算机图像处理模式识别背景建模运动检测目标跟踪遮挡处理目标识别子空间降维流形学习图嵌入边缘fisher判别异常检测行为分析编辑距离分段上下文编辑距离动态贝叶斯网络顺序多层HMM
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 1935次
引　用: 3次
阅　读: 论文下载

内容摘要

智能视频监控(Intelligent Video Surveillance)是计算机视觉领域中近几年来倍受关注的一个应用领域,它是利用计算机视觉和图像处理等技术对视频信号进行处理、分析和理解,并对视频监控系统进行控制,比如监控系统可以自动识别不同的物体;发现监控画面中的异常情况,并能够以最快和最佳的方式发出警报和提供有用信息,从而能够更加有效的协助监控人员获取准确信息和处理突发事件;或者过滤掉监控者不关心的信息,仅仅为监控者提供有用的关键信息,从而提高视频监控系统智能化和自动化水平。这样才能有效解决传统的视频监控系统由于存在着数据量大,响应时间长和人类自身固有的弱点等缺陷导致的监控效率低下和繁琐的工作量等问题。由于智能视频监控是一个涵盖广泛的系统性工程,涉及图像处理、计算机视觉、模式识别、人工智能技术、通信技术和网络技术等诸多技术领域的综合应用,本文重点研究了智能视频监控技术中的一个应用方向:异常行为的检测与识别,并就其涉及的一些相关具体问题做了深入的研究,主要的研究内容和贡献包括:1、研究和实现了智能视频处理的中的一些基础技术,包括利用自适应高斯混合模型来对背景进行建模来进行运动目标的提取,达到了很好的抑制噪声和提高目标完整度的目的;利用Mean-shift跟踪算法对运动目标进行跟踪,避免了运动检测中的目标粘连问题;并进一步利用多子块灰度相关匹配方法从一定程度上解决了跟踪过程中容易出现的目标丢失和混乱问题,保证了后续研究工作的可靠性。2、创建了一个包含一万七千多个样本的运动目标训练库和测试库,其中包含行人、机动车辆、其他目标这三个类别的目标轮廓图,可以用于运动目标的特征提取与分类识别的实验研究。3、深入研究了目标检测与识别问题,总结为静态目标识别和动态目标两个研究方式并综述了各自的研究方法和特点;研究了降维算法理论在模式识别领域中的应用,研究了更能反映降维算法的本质特征的图嵌入模型,提出了一种基于研究中建立的大样本训练库和边缘fisher判别的运动目标识别框架,克服了一些传统方法对于特征提取过程的苛刻要求和识别对象种类局限的种种不足,达到了更好的通用性和高效性。4、探讨和研究了智能视频监控系统中新兴的研究领域:视频场景中的异常检测问题,分析并总结了异常行为的本质特征,通过对于行为特征的定义和统一的建模方法,提出了一种既可以在监督情况下,又适用于非监督情况下的异常行为检测的思路和系统结构。5、运动轨迹信息是运动目标行为的一个最重要的特征之一,本文提出了一种新的度量运动轨迹相似度的算法-分段上下文编辑距离(SCED)算法,利用运动过程中的不同阶段来挖掘运动特征,在惩罚函数中增加了位置、方向、速度上的差异信息,让它在运动轨迹的距离计算中显的更为合理,并具有很好的计算效率。6、基于动态贝叶斯网络的原理,本文设计了一种新的名叫SML-HMM的模型来对复杂行为的因果时序关系进行建模、和异常行为的识别。用最少的状态联系来对行为进行描述,达到了模型参数的表达和推理的优化目的,减少了计算的复杂度,提高了模型在推理过程中对于噪声的容错率。

全文目录

摘要  5-7
ABSTRACT  7-10
目录  10-13
第一章绪论  13-23
  1.1 研究的背景和意义  13-17
    1.1.1 传统视频监控的不足  14-15
    1.1.2 智能视频监控的应用领域  15-17
  1.2 智能视频监控研究的现状  17-20
  1.3 本文的研究内容和创新点  20-22
  1.4 本文的框架结构  22-23
第二章基础技术的研究与实现  23-42
  2.1 引言  23
  2.2 背景建模与运动检测  23-31
    2.2.1 时序中值滤波  25
    2.2.2 增量式高斯平均  25
    2.2.3 混和高斯模型  25-26
    2.2.4 核密度估计  26
    2.2.5 顺序核密度近似  26-27
    2.2.6 特征背景建模  27-28
    2.2.7 本文采用的方法与结果  28-31
  2.3 目标跟踪算法  31-37
    2.3.1 条件概率密度传播跟踪方法  31-32
    2.3.2 Mean-shift 跟踪方法  32-35
    2.3.3 跟踪结果  35-37
  2.4 遮挡情况下的目标跟踪处理  37-41
    2.4.1 目标的自适应分块  38
    2.4.2 多子块的灰度相关匹配算法  38-40
    2.4.3 多子块灰度相关匹配跟踪结果  40-41
  2.5 本章小结  41-42
第三章运动目标识别与人体检测  42-73
  3.1 目标识别技术综述与本章目标  42-48
    3.1.1 静态目标识别方法  42-44
    3.1.2 动态目标识别方法  44-47
    3.1.3 本文的技术路线  47-48
  3.2 子空间降维与流形学习降维方法  48-62
    3.2.1 子空间降维方法  49-52
      3.2.1.1 Principal Component Analysis  49-50
      3.2.1.2 Linear Discriminant Analysis  50-51
      3.2.1.3 Independent Component Analysis  51-52
    3.2.2 流形学习降维方法  52-61
      3.2.2.1 流形学习原理与数学定义  53-55
      3.2.2.2 Locally Linear Embedding  55-58
      3.2.2.3 Laplacian Eigenmap  58-60
      3.2.2.4 Locality Preserving Projection  60-61
    3.2.3 降维方法用于目标识别和分类的一般步骤  61-62
  3.3 基于图嵌入框架的边缘fisher 判别  62-65
    3.3.1 图嵌入框架  62-64
    3.3.2 边缘fisher 判别技术  64-65
  3.4 边缘fisher 判别在运动目标识别中的应用  65-72
    3.4.1 训练库的建立  66-67
    3.4.2 运动目标识别试验结果  67-70
    3.4.3 结果分析  70-72
  3.5 本章小结  72-73
第四章场景中的异常行为检测分析与SCED 轨迹距离算法  73-98
  4.1 场景中异常行为分析综述和目标  73-80
    4.1.1 异常行为的概念和定义  73-74
    4.1.2 国内外研究现状  74-76
    4.1.3 本文的研究思路与系统框架  76-80
      4.1.3.1 行为特征的定义和描述  77-78
      4.1.3.2 统一特征建模  78-79
      4.1.3.3 系统框架  79-80
  4.2 SCED 轨迹距离计算方法  80-93
    4.2.1 轨迹建模与距离计算方法概述  82-83
    4.2.2 SCED 算法思想与设计  83-88
      4.2.2.1 框架的定义  87
      4.2.2.2 惩罚函数的定义  87-88
    4.2.3 SCED 算法性能实验  88-93
      4.2.3.1 对比实验  88-91
      4.2.3.2 聚类效果实验  91-92
      4.2.3.3 分段情况性能实验  92-93
    4.2.4 小结  93
  4.3 异常行为检测的实际应用  93-97
    4.3.1 预定义异常行为检测（监督情况下）  93-95
    4.3.2 未知异常模式的异常行为检测（非监督情况下）  95-97
  4.4 本章小结  97-98
第五章基于DBN 的复杂异常行为建模与检测  98-140
  5.1 引言  98-104
    5.1.1 研究的出发点  98-100
    5.1.2 国内外研究现状  100-101
    5.1.3 本章的研究思路  101-104
      5.1.3.1 拓扑结构设计  102-103
      5.1.3.2 训练样本的特征定义  103-104
  5.2 动态贝叶斯网络理论概述  104-127
    5.2.1 图模型  104-106
    5.2.2 贝叶斯网络  106-108
    5.2.3 动态贝叶斯网络  108-121
      5.2.3.1 表达  108-109
      5.2.3.2 推理  109-120
      5.2.3.3 学习  120-121
    5.2.4 HMM 与DBN 的比较  121-127
      5.2.4.1 拓扑对比  122-125
      5.2.4.2 推导学习算法对比  125-127
  5.3 基于SML-HMM 的行为建模与异常行为检测  127-134
    5.3.1 最优连接树生成  127-129
    5.3.2 模型的训练  129-133
    5.3.3 新样本的识别  133-134
  5.4 实验分析与总结  134-139
    5.4.1 异常行为训练模式  134-136
    5.4.2 建模性能比较  136-139
  5.5 本章小结  139-140
第六章总结与展望  140-143
  6.1 全文工作总结  140-141
  6.2 未来研究工作展望  141-143
参考文献  143-154
致谢  154-155
攻读博士学位期间发表、撰写的论文  155

智能视频监控中的目标识别与异常行为建模与分析

内容摘要

全文目录

相似论文