分布式智能视觉监控行为分析及语义检索技术研究

论文摘要

随着计算机处理能力的提高，音视频编解码技术、互联网技术、网络多媒体技术和大容量存储技术的发展，以及安防、金融、教育等行业日益增长的需求，视觉监控技术得到了迅速发展。数字化、网络化和智能化是目前监控系统的发展趋势，智能视觉监控涉及机器学习、模式识别、人工智能和数据挖掘等多个研究领域，是当前国际性的研究热点。与传统的视频监控系统不同，智能视觉监控系统具有观察和分析监控场景内容的能力，能够在没有或少量人为干预的情况下，自动对视频序列进行分析，从而代替人完成视觉监控任务。本论文研究分布式智能视觉监控系统中的行为分析和语义检索问题。目标是通过分析运动目标的底层特征，研究基于单机和分布式环境的数据挖掘和检索算法，建立底层特征与高层语义间的联系，研究出适用于大型城域视觉监控系统的行为分析和语义检索技术。首先对运动目标行为理解与分类算法进行了研究。针对轨迹序列不定长和轨迹信息不完整的问题，提出基于子轨迹描述的轨迹特征提取算法。以子轨迹提取轨迹片断中的空间位置和时间序列信息，对目标的局部运动行为进行抽象，然后学习得到子轨迹分布模式，由子轨迹分布模式重新描述轨迹，提取得到轨迹特征。以该算法为基础，结合自组织特征映射（SOM）进一步实现了监控场景中的异常事件检测和目标行为预测，结合频繁模式挖掘算法进一步实现了轨迹分类。其次对智能视觉监控语义检索算法进行了研究。针对目标的运动特征提取和语义信息提取问题，提出了基于保距变换的相似性测量算法。通过Hausdorff距离进行轨迹相似性测量，以保距变换对轨迹相似性测量进行优化，降低了计算复杂度并为语义检索提供了目标向量空间轨迹描述符。以该算法为基础，结合谱聚类进一步实现了智能视觉监控系统中的轨迹分类算法，结合相关反馈进一步实现了基于SVM的交互式检索算法。再次对分布式视觉监控语义检索算法进行了研究。针对分布式智能视觉监控系统的网络组成、索引结构、索引分发和语义检索问题，提出了基于度量空间的分布式交互检索算法。将目标的特征向量发布到基于M-Chord的结构化对等网络中，将SVM模型建立的度量空间与M-Chord索引所处的度量空间结合，利用分片中心点减少了检索时对节点和对象的访问。为解决目标特征向量分发和检索时的负载不均问题，通过虚拟服务器拆分和移动的方法，在分布式交互检索网络中进行负载均衡。之后对分布式视觉监控子空间聚类算法进行了研究。针对分布式智能视觉监控系统的海量多媒体数据自动分析处理问题，提出基于分布式表决的子空间聚类算法。将分布式子空间聚类问题简化为分布式表决问题，利用底层覆盖网的拓扑结构进行层次化表决信息收集，并对各节点的聚类结果进行分布式表决，实现了视觉监控子空间聚类算法。针对子空间聚类的特点，进一步通过结果集缩减、结果集剪枝和结果集区域合并三个策略，对节点间通讯进行了优化。最后对大型城域智能视觉监控系统的系统结构和整体构架进行了研究，建立了分布式视觉监控检索系统的原型。研究了分布式视觉监控检索系统的拓扑结构，介绍了嵌入式监控终端原型并对系统中的数据流和事务流进行了分析。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 研究背景和意义
• 1.2 智能视觉监控系统研究发展现状
• 1.3 相关研究综述
• 1.3.1 底层特征提取
• 1.3.2 基于语义的视觉监控检索
• 1.3.3 对等网络
• 1.3.4 分布式数据检索
• 1.3.5 分布式数据挖掘
• 1.4 主要研究内容和论文结构
• 1.4.1 主要研究内容
• 1.4.2 论文结构
• 2 基于子轨迹描述的目标行为理解与分类算法
• 2.1 子轨迹描述
• 2.1.1 轨迹预处理与编码
• 2.1.2 子轨迹提取
• 2.2 基于SOM的轨迹异常检测和行为预测算法及实验分析
• 2.2.1 子轨迹模式学习与分类
• 2.2.2 轨迹重描述与轨迹模式学习
• 2.2.3 相似轨迹模式合并
• 2.2.4 异常检测
• 2.2.5 行为预测
• 2.2.6 实验分析
• 2.3 基于频繁模式挖掘的轨迹分类算法及实验分析
• 2.3.1 基于FCM的子轨迹分布模式学习
• 2.3.2 轨迹重描述
• 2.3.3 频繁轨迹模式挖掘
• 2.3.4 实验分析
• 2.4 本章小结
• 3 基于相似性测量的轨迹分类与检索算法
• 3.1 基于Hausdorff距离的轨迹相似性测量
• 3.1.1 轨迹描述
• 3.1.2 轨迹相似性测量
• 3.2 轨迹相似性测量算法优化
• 3.2.1 轨迹保距变换
• 3.2.2 参考点集选择与变换算法
• 3.3 基于谱聚类的轨迹分类算法及实验分析
• 3.3.1 轨迹分类算法
• 3.3.2 实验分析
• 3.4 基于SVM的交互式相关反馈检索算法及实验分析
• 3.4.1 支持向量机
• 3.4.2 检索算法
• 3.4.3 实验分析
• 3.5 本章小结
• 4 基于度量空间的分布式视觉监控交互检索算法
• 4.1 对象特征提取
• 4.1.1 轨迹特征提取
• 4.1.2 图像特征提取
• 4.2 基于度量空间的分布式交互检索算法及实验分析
• 4.2.1 M-Chord算法
• 4.2.2 基于线性SVM的相关反馈优化算法
• 4.2.3 基于非线性SVM的相关反馈优化算法
• 4.2.4 实验分析
• 4.3 基于DHI的分布式动态负载均衡算法及实验分析
• 4.3.1 P2P系统负载均衡算法
• 4.3.2 基于DHI的动态负载均衡算法
• 4.3.3 算法分析
• 4.3.4 负载均衡算法性能分析
• 4.4. 本章小结
• 5 基于分布式表决的视觉监控子空间聚类算法
• 5.1 分布式子空间聚类算法
• 5.1.1 子空间聚类
• 5.1.2 基于P2P的分布式数据挖掘
• 5.2 DDV算法
• 5.2.1 拓扑结构及相关定义
• 5.2.2 分布式表决算法
• 5.2.3 优化表决算法
• 5.3 DISCLUS算法
• 5.3.1 结果集缩减优化
• 5.3.2 结果集区域合并优化
• 5.4. 聚类误差分析
• 5.4.1 对象数变化的分布
• 5.4.2 表决误差的分布
• 5.4.3 误差分析
• 5.5 实验分析
• 5.5.1 聚类性能
• 5.5.2 节点数对聚类性能的影响
• 5.5.3 密度阈值对聚类性能的影响
• 5.5.4 维度对聚类性能的影响
• 5.5.5 结果集区域合并优化的影响
• 5.5.6 图像数据聚类结果
• 5.6 分布式视觉监控子空间聚类实验分析
• 5.7 本章小结
• 6 分布式视觉监控检索系统原型设计
• 6.1 系统拓扑结构
• 6.1.1 视觉监控子网
• 6.1.2 层次化视觉监控网络
• 6.1.3 虚拟覆盖网
• 6.1.4 分布式视觉监控系统结构
• 6.2 嵌入式监控终端原型
• 6.3 系统事务与数据流程分析
• 6.3.1 VSS数据流分析
• 6.3.2 VON事务流分析
• 6.4 系统原型
• 6.5 本章小结
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 攻读博士学位期间的主要研究成果