公眾場(chǎng)所人群異常事件的及時(shí)發(fā)現(xiàn)有利于相關(guān)部門實(shí)時(shí)響應(yīng)與救援,最大限度降低群眾人身傷亡和財(cái)產(chǎn)損失。隨著視頻監(jiān)控的普及與發(fā)展,通過視頻智能分析實(shí)時(shí)檢測(cè)異常,及時(shí)預(yù)警,已成為一種重要手段�，F(xiàn)有基于視頻的異常檢測(cè)方法在復(fù)雜場(chǎng)景、噪聲等因素影響下,容易出現(xiàn)漏報(bào)和誤報(bào)。因此,提升基于視頻的異常事件檢測(cè)方法在復(fù)雜場(chǎng)景下的適應(yīng)能力成為重要的研究方向。本文主要研究并實(shí)現(xiàn)基于視頻的人群異常事件檢測(cè),分別提出適用于全局異常和局部異常檢測(cè)的兩種方法,設(shè)計(jì)并實(shí)現(xiàn)了基于視頻分析的人群異常事件檢測(cè)軟件,可以檢測(cè)視頻監(jiān)控中人群的異常事件。具體工作如下:在局部異常事件檢測(cè)方面,提出一種改進(jìn)的卷積自編碼器深度學(xué)習(xí)模型。該模型是一種無監(jiān)督學(xué)習(xí)模型,在傳統(tǒng)卷積自編碼器的基礎(chǔ)上加入長(zhǎng)短期記憶網(wǎng)絡(luò),通過卷積層,提取正常人群運(yùn)動(dòng)的外觀特征;通過長(zhǎng)短期記憶網(wǎng)絡(luò),捕捉外觀特征的時(shí)間相關(guān)性,實(shí)現(xiàn)正常人群運(yùn)動(dòng)的深度時(shí)空特征提取;在檢測(cè)階段,將該模型的標(biāo)準(zhǔn)化重建誤差作為異常評(píng)分指標(biāo),進(jìn)行異常判定。在Avenue數(shù)據(jù)集、UCSD ped1和ped2數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),實(shí)時(shí)檢測(cè)的AUC值分別達(dá)到84.20%、84.65%和89.32%,EER值分...

【文章頁數(shù)】：103 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 人群特征提取
        1.2.2 異常事件檢測(cè)
    1.3 主要研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.3.1 本文主要研究?jī)?nèi)容
        1.3.2 本文結(jié)構(gòu)安排
2 異常事件檢測(cè)相關(guān)技術(shù)研究
    2.1 基于聚類的檢測(cè)方法
    2.2 基于重構(gòu)的檢測(cè)方法
    2.3 基于統(tǒng)計(jì)的檢測(cè)方法
    2.4 基于深度學(xué)習(xí)的檢測(cè)方法
        2.4.1 自編碼器
        2.4.2 遞歸神經(jīng)網(wǎng)絡(luò)
3 基于改進(jìn)卷積自編碼器的異常事件檢測(cè)方法
    3.1 視頻圖像預(yù)處理
        3.1.1 提取視頻幀
        3.1.2 圖像去噪
        3.1.3 歸一化
        3.1.4 零均值化
        3.1.5 合成數(shù)據(jù)塊
    3.2 模型構(gòu)建
        3.2.1 卷積自編碼器
        3.2.2 卷積長(zhǎng)短期記憶網(wǎng)絡(luò)
        3.2.3 模型網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 模型訓(xùn)練
        3.3.1 模型訓(xùn)練超參數(shù)設(shè)置
        3.3.2 模型訓(xùn)練
    3.4 異常事件檢測(cè)
    3.5 仿真實(shí)驗(yàn)與結(jié)果分析
        3.5.1 數(shù)據(jù)集
        3.5.2 性能評(píng)價(jià)指標(biāo)
        3.5.3 異常事件檢測(cè)
        3.5.4 檢測(cè)方法性能評(píng)價(jià)
    3.6 本章小結(jié)
4 基于前景目標(biāo)提取和光流特征的異常事件檢測(cè)方法
    4.1 ViBe算法提取前景目標(biāo)
        4.1.1 前景目標(biāo)提取
        4.1.2 圖像形態(tài)學(xué)處理
    4.2 Horn-Schunck算法提取光流特征
    4.3 異常事件檢測(cè)
    4.4 仿真實(shí)驗(yàn)與結(jié)果分析
        4.4.1 數(shù)據(jù)集
        4.4.2 性能評(píng)價(jià)指標(biāo)
        4.4.3 異常事件檢測(cè)
    4.5 本章小結(jié)
5 基于視頻的人群異常事件檢測(cè)軟件設(shè)計(jì)與實(shí)現(xiàn)
    5.1 開發(fā)環(huán)境
    5.2 需求分析
    5.3 軟件設(shè)計(jì)
        5.3.1 用戶登錄模塊
        5.3.2 局部異常事件檢測(cè)模塊
        5.3.3 全局異常事件檢測(cè)模塊
    5.4 軟件實(shí)現(xiàn)
        5.4.1 用戶登錄模塊
        5.4.2 局部異常事件檢測(cè)模塊
        5.4.3 全局異常事件檢測(cè)模塊
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
在學(xué)研究成果
致謝



本文編號(hào)：4048636