基于时空特征的异常行为识别研究

论文摘要

随着社会的进步,物质文明和精神文明的不断提高,人们对于安全的重视程度越来越高,因此视频监控系统已经广泛应用于金融、交通、工业等各个领域。由于科技的蓬勃发展和多媒体技术的不断提高,我国的监控系统已逐渐由传统的模拟监视系统向数字监控系统、新兴的网络多媒体监控系统转变,其智能化程度也越来越高。在智能监控系统中,其主要处理流程是采集实时视频图像,从中提取出运动目标区域,对得到的前景图像进行噪声去除和阴影抑制等预处理,再对运动目标进行实时跟踪,最后对运动人体的行为进行理解与描述,并对异常行为予于报警。但传统智能监控系统往往达不到准确性、鲁棒性和实时性等评估要求。为了达到准确性、鲁棒性和实时性等目标,本文在自适应混合高斯背景模型基础上得出了基于时空模型的改进算法,提取出运动目标区域;但由于光照等外部环境的变化,必然产生大量的噪声,为此得出了基于区域高斯模型的噪声处理算法;同时由于阴影的存在,造成了目标形状的改变,因此实现了基于HSV颜色空间的阴影消除算法,但是其处理效果不佳,提出了一种基于HSI颜色空间的阴影消除改进算法,从而得到了理想的运动目标区域。为了识别打架斗殴等异常行为,本文分析了其主要特征信息,针对在监控场景中人数较少的交互异常行为,实现了基于异步隐马尔科夫模型与对称非对称行为层次结构模型的多人异常行为识别算法。而针对在人数较多的场景下的群体异常行为,本文在传统光流特征的基础上得出了基于动态能量模型的群体异常行为识别算法。通过实验表明,本文中阐述的两种异常行为识别算法具有良好的性能和广泛的应用空间。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文研究内容
• 1.4 本文层次结构安排
• 第二章 人体运动分析关键技术综述
• 2.1 运动人体检测
• 2.1.1 运动目标分割
• 2.1.2 运动目标分类
• 2.2 人体跟踪
• 2.2.1 基于模型的跟踪
• 2.2.2 基于特征的跟踪
• 2.2.3 基于活动轮廓的跟踪
• 2.2.4 基于区域的跟踪
• 2.3 人体行为理解与描述
• 2.3.1 行为理解
• 2.3.2 行为描述
• 2.4 本章小结
• 第三章 鲁棒的运动目标检测
• 3.1 单一高斯概率密度函数的参数估计
• 3.2 高斯混合密度函数的参数估计
• 3.3 自适应高斯混合背景模型
• 3.4 基于时空模型的改进算法
• 3.4.1 马尔科夫随机场
• 3.4.2 基于时空模型改进算法
• 3.5 基于区域高斯模型的噪声处理算法
• 3.5.1 区域高斯背景模型
• 3.5.2 改进的区域标记算法
• 3.6 阴影抑制
• 3.6.1 阴影的特点及处理方法
• 3.6.2 基于HSV 彩色模型的阴影去除算法
• 3.6.3 基于HSI 彩色模型改进的阴影去除算法
• 3.7 实验与结果分析
• 3.8 本章小结
• 第四章 基于AHMMS 与SAAHSM 的多人交互异常行为识别
• 4.1 经典隐马尔科夫模型（HMMs）
• 4.2 异步隐马尔科夫模型（AHMMs）
• 4.2.1 估算异步观察序列的联合概率
• 4.2.2 估算最佳状态转换序列
• 4.2.3 参数学习
• 4.3 多人交互异常行为识别的基本处理流程
• 4.4 视频分割与人体跟踪
• 4.5 特征提取
• 4.5.1 对称非对称行为层次结构模型（SAAHSM）
• 4.5.2 人体行为相关性度量
• 4.5.3 SRC 聚类算法
• 4.5.4 群组代表
• 4.6 多人交互异常行为识别算法
• 4.7 实验与结果分析
• 4.8 本章小结
• 第五章 基于动态能量模型的群体异常行为识别
• 5.1 传统的动态光流特征
• 5.1.1 特征描述及获取
• 5.1.2 动态特征的过滤
• 5.2 基于光流的动态能量特征
• 5.2.1 视频的动态能量
• 5.2.2 动态能量特征
• 5.3 基于动态能量特征的群体异常行为识别模型
• 5.3.1 微观部分的动能
• 5.3.2 宏观部分的动能
• 5.4 实验与结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 攻硕期间取得的研究成果