论文部分内容阅读
近年来,随着计算机硬件技术及互联网的快速发展,视频监控系统的应用已经深入到人们日常生活的各个领域。随着监控视频数量的增加,人们对视频数据的智能处理提出了更高的要求。如何对海量、高维视频数据进行智能分析,及时发现视频数据中存在的突发、异常事件已经成为关乎社会稳定和人民生命财产安全的重要国计民生问题,也是大数据时代信息处理领域的重要研究课题。同时,由于网络传输技术和管理制度的不健全,视频数据在网络传输过程中经常被恶意的攻击和篡改,使得视频数据的安全得不到保障。如何对视频数据中敏感信息进行安全保护已经成为视频认证领域的研究热点。视频数据具有数量大、维度高、关系复杂、解释具有多样性和模糊性、同类事件之间存在巨大差异、多数视频含有噪声等特点。视频数据的这些特点使得视频异常事件检测成为了异常艰巨的难题。同时,随着网络攻击技术的不断提升,攻击手段层出不穷,对网络传输数据的破坏力度也越来越大,增加了视频信息安全保护的难度。本文以视频分析和认证中的若干关键问题为出发点,围绕视频数据中的异常事件检测和敏感信息的安全保护问题展开研究,具体研究内容包括:1.在视频数据的表征与描述方面,为了解决数据维度较高带来的海量计算和计算复杂度等问题,提出基于相关性和结构保持的视频异常事件检测方法,具体内容如下:根据视频内容的结构关系,充分利用局部区域的时空邻域信息,从多个层次提取反应事件内容的特征;根据特征与类别的相关性和特征的结构保持能力,提出了基于相关性和结构保持能力分析的特征选择方法,去除了特征集合中的冗余信息,解决了数据的高维问题;为了检验算法性能,在UCSD数据库上进行了验证,并与其它特征选择方法进行了对比,实验结果显示本文提出的方法具有较好的检测效果。2.在视频异常事件检测模型构建方面,为了提高检测算法的计算效率和检测准确率,提出了联合维数约简和稀疏表示的视频异常事件检测方法,具体内容如下:在运动特征提取上,全面考虑了目标运动的方向特征和能量特征,进一步细化了光流直方图统计方法;在高维数据低维投影过程中,提出基于结构和能量信息的联合约束策略,此策略能最大限度的保持数据降维后的局部性质及相邻数据间的关系,并且保留了高维空间的主要内容信息。针对某些视频事件,目标运动状态持续时间较短,可提取的能有效描述事件内容的典型样本相对较少,导致训练数据无法有效表达事件内容问题,提出了基于聚类思想的样本数据选取策略,该策略能够保证训练数据对事件内容的有效覆盖和准确描述;在UMN数据库上验证了算法的有效性,实验结果表明该方法具有较好的检测效果。3.为了实现对视频数据中敏感信息的安全保护,提出基于视觉分级和稀疏表示的视频认证方法,具体内容如下:为了最大限度的利用载体数据的内容表示隐藏信息,以稀疏表示理论为工具,利用视频载体数据与隐藏信息的相关性,降低信息隐藏过程中隐藏信息的嵌入量;为了提高敏感信息在网络传输中的安全性,避免引起攻击者的注意,以视觉分级机制为基础,提出用于视频内容保护的视觉分级策略,在利用视觉注意模型对载体数据进行显著性等级划分的基础上,实现了隐藏信息的分级嵌入,进一步提高了信息隐藏的不可见性;为了实现对视频数据的安全性认证,采用安全性能稳定的虹膜图像作为隐藏信息,此策略既可以通过判别虹膜图像的完整性来实现待保护信息的认证,又可以通过对虹膜图像的识别对待保护信息进行进一步的认证,从而实现视频敏感信息的有效保护;在UCSD和UMN数据库上进行了算法安全性、隐蔽性和嵌入容量的验证,实验结果显示以上各项指标均取得了较好的效果。