论文部分内容阅读
随着监控数据呈现爆炸式增长，自动获取并分析其中的含义成为亟待解决的问题。异常行为具有突发性、无周期性、持续时间短、潜藏危害大等特点，这恰恰是视频监控的重点。由于视频监控的对象主要是人，因此，对视频中的人类异常行为进行研究具有重要的学术价值和现实意义。视频中的人类异常检测的难点体现在多个方面，如目标遮挡、目标形变、目标尺度变化、背景杂乱、光照变化、相机视角多变等，因此，人类异常行为检测是一项极具挑战性的任务。 本课题首先对异常行为进行表征，把异常行为分为非特定异常行为和特定异常行为两类，其中，非特定异常行为主要研究人群异常行为，特定异常行为选取暴力异常和人数估计进行研究。接下来，对不同的异常检测算法分别进行综述，针对不同的异常检测任务和遇到的挑战，本课题给出了不同的解决方案。论文的主要贡献如下: (1)提出了一种基于运动轨迹特征的人群异常检测算法。该算法以跟踪算法获取的轨迹点为研究对象，首先，根据轨迹点的速度、角度等属性把轨迹表示成不同线段;然后采用DBSCAN聚类算法对线段进行聚类，每个类代表一种运动模式;最后，通过提出的二级检测算法判断待测轨迹是否异常。 (2)提出了一种基于LHOG和LHOF特征的人群异常检测算法。为了学习正常行为模式，首先结合灰度图像与光流图像对视频帧提取运动区域，然后在运动区域提取有效运动块，对运动块提取LHOG(Local Histogram of Oriented Gradient)和LHOF(Local Histogram of Optical Flow)特征，最后使用一类分类器建模得到正常行为模式的紧凑边界。检测过程中加入运动连续性约束，以抑制虚警噪声。 (3)提出了一种基于SVM的暴力异常检测算法。该算法首先根据光流场提取运动区域，然后对运动区域提取LHOG和LHOF两种底层特征，采用词包法把每个短视频的LHOG和LHOF特征投影为一个固定长度的向量，最后使用SVM分类器对特征向量进行分类，得到分类模型，用以检测短视频是否发生暴力行为。 (4)提出了一种基于深度学习的暴力异常检测算法。该算法采用卷积神经网络，基于行为识别框架构建了一个暴力检测网络—FightNet;以RGB图像、光流场图像和加速度图像三种模态数据为输入，提高了暴力检测的正确率;搜集了一个大型的暴力异常数据集，用以训练深度网络。 (5)提出了一种基于信息熵的人数估计算法。该算法首先提取运动区域，然后对运动区域进行透视校正，再对透视校正后的图像提取信息熵特征，得到信息熵与人数之间的回归模型，最后使用该模型预测人数。