视频异常事件检测研究

论文摘要

目前,视频监控在广场、火车站、银行和机场等公共场所中发挥着极其重要的作用。传统的视频监控完全依靠人工进行视频信息的分析处理,其时间和精度特性都难以满足安全系统需要,提高视频监控系统的有效性与可靠性是亟待解决的问题。本文从图像处理和人工智能技术出发,以视频异常事件检测为核心任务,研究了智能视频监控的关键技术。具体所做的工作和主要创新点有：（1）将参考独立分量分析（ICA-R）技术应用到视频运动目标检测中,通过训练图像球化后的背景分量作为参考信号,成功解决了视频图像中运动目标和静止背景的分离问题。该方法具有检测精度好、训练与检测效率高、对光照变化影响的适应性强的特点。（2）提出了面向特征的独立分量分析（ICA）和HP（Hodrick-prescott）滤波器实现的隐马尔可夫模型（HMM）视频异常事件检测算法。该算法利用ICA实现视频数据降维与特征提取,使用HP滤波器改善特征的鲁棒性,提高了检测精度,且能克服室外环境下光照亮度变化和阴影等不利因素对HMM视频异常事件检测的影响。（3）研究了多时间观测粒度无限状态隐马尔可夫模型（iHMM）异常事件检测方法。利用iHMM对提取的图像特征进行统计分析,并综合考虑了不同时间观测粒度下视频事件的特点,可解决现有基于子空间的视频异常事件检测方法中,没有考虑不同事件在不同时间粒度观测上的差异性问题,具有更高的检测性能。真实场景中的视频异常事件检测,容易受环境因素的影响。本文在研究过程中,不仅试图提高算法的检测精度,还特别考虑了复杂场景中各种不利因素的干扰。所述的基于ICA-R的视频运动目标检测算法能有效处理场景光照变化对运动目标检测的影响。所述的两种视频异常事件检测算法,则能有效克服室外环境下光照亮度变化、阴影、树木遮挡等不利因素对视频异常事件检测的影响。仿真实验结果,验证了本文方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 视频数据降维与特征提取研究现状
• 1.2.2 特征分析与识别方法研究现状
• 1.3 论文的研究内容和结构安排
• 第2章 ICA-R视频运动目标检测研究
• 2.1 引言
• 2.2 独立分量分析与带参考量的独立分量分析基本原理
• 2.2.1 主分量分析
• 2.2.2 独立分量分析
• 2.2.3 带参考量的独立分量分析
• 2.3 ICA-R视频运动目标检测算法的原理和实现
• 2.3.1 检测模型的构建
• 2.3.2 球化
• 2.3.3 ICA-R背景分离向量的训练
• 2.3.4 前景目标检测
• 2.4 实验结果及分析
• 2.5 结论
• 第3章 面向特征的ICA和HP滤波实现HMM视频异常事件检测
• 3.1 引言
• 3.2 隐马尔可夫模型
• 3.2.1 HMM数学原理
• 3.2.2 HMM在应用中需要解决的三个基本问题
• 3.2.3 HMM算法
• 3.3 面向特征的ICA和HP滤波实现HMM视频异常事件检测
• 3.3.1 图像预处理
• 3.3.2 图像的ICA特征表示
• 3.3.3 投影系数序列的HP滤波
• 3.3.4 HMM建模和异常检测
• 3.4 实验结果及分析
• 3.5 结论
• 第4章 多时间粒度iHMM视频异常事件检测
• 4.1 引言
• 4.2 无限状态隐马尔可夫模型
• 4.2.1 Dirichlet分布与Dirichlet过程
• 4.2.2 多层Dirichlet过程
• 4.2.3 iHMM结构与采样推理算法
• 4.3 多时间粒度iHMM视频异常事件检测算法的原理与实现
• 4.3.1 图像序列预处理
• 4.3.2 iHMM建模与异常事件检测
• 4.3.3 多时间粒度异常事件检测
• 4.4 实验结果及分析
• 4.5 结论
• 第5章 总结和展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录