基于运动特征的监控视频挖掘关键技术研究

论文摘要

视频监控已在众多领域得到广泛应用，利用视频挖掘技术可以从海量视频数据中提取特征、进行有效的分析、发现高层语义知识和模式，实现对监控视频的自动化和智能化应用。目前，国内外对监控视频挖掘的研究刚刚起步，一些关键性问题如监控视频数据的特征提取、事件检测等尚未得到有效的解决。视频挖掘是从大量视频集中，发现有效的、新颖的、隐含的、有价值的、可理解的模式，即知识。从中得出事件的关联和趋向，为用户提供问题求解层次的辅助能力。视频挖掘的具体技术可以分为两种：视频结构挖掘和视频运动挖掘。视频结构挖掘，针对有结构的视频，以某种算法将视频划分为几个层次的结构单元，提取每个层次结构的可用特征和结构单元本身特征，最后根据各层次单元的相似性或其他规则，获得其构造模式以及体现的语义信息。视频运动挖掘，从视频中分割、跟踪运动对象，在这个过程中提取运动对象的本质特征和运动特征，以及这些特征之间的特征关联规则或者时空关系，得到运动对象特征的含义或者其行为趋向和事件模式，由此挖掘视频表达的高层语义信息。本文针对非结构化的场景监控视频，运用视频运动挖掘技术思路，从视频中提取视频对象，跟踪其运动，结合时间特性形成时间序列数据，并对其进行摘要生成、聚类和异常检测，实现了对监控视频数据进行挖掘的目的。本文主要在以下几个方面进行了创新性研究工作：1)研究视频特征提取方法。提出基于帧差的背景更新算法和基于运动的时间序列提取算法，将视频的特征，以数据序列的形式表示出来，为后续视频摘要提取、聚类和异常检测提供保障。2)研究视频摘要提取方法。提出基于小波变换的视频摘要提取算法，该算法可以形成多尺度的视频摘要，解决了以往不同情况下，对视频摘要长度不同需求的问题。3)为减少人工查找视频异常情况的开销，提出基于K-均值算法的异常检测算法，通过理论分析和实验，验证了算法的有效性和优越性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 数据挖掘技术简介
• 1.1.2 视频挖掘技术简介
• 1.2 基于运动特征的监控视频挖掘相关技术
• 1.2.1 图像处理
• 1.2.2 小波分析
• 1.2.3 关键帧提取
• 1.2.4 聚类分析
• 1.3 视频挖掘的现状
• 1.4 研究内容
• 第二章 视频特征提取
• 2.1 问题提出
• 2.2 视频特征提取相关实现技术
• 2.2.1 视频图片预处理
• 2.2.2 获取背景
• 2.2.3 运动对象检测和分割
• 2.2.4 运动对象跟踪
• 2.3 视频特征提取模块设计
• 2.4 视频特征提取相关算法
• 2.4.1 基于帧差的背景更新算法
• 2.4.2 基于运动特征的时间序列提取算法
• 2.5 实验结果
• 2.6 本章小结
• 第三章 视频摘要提取
• 3.1 问题提出
• 3.2 视频摘要提取相关实现技术
• 3.2.1 基于运动的时间自适应关键帧提取技术
• 3.2.2 基于墨西哥帽（Mexican hat）小波的小波变换
• 3.3 视频摘要提取模块设计
• 3.4 基于小波变换的视频摘要提取算法
• 3.5 实验结果
• 3.6 本章小结
• 第四章 视频聚类分析和异常检测
• 4.1 问题提出
• 4.2 视频分析和检测相关技术
• 4.3 视频聚类分析和异常检测模块设计
• 4.4 基于 K-均值算法的异常检测算法
• 4.5 实验结果
• 4.6 本章小结
• 第五章 系统设计与实现
• 5.1 系统模块结构设计
• 5.2 系统整体设计
• 5.3 系统主要操作界面
• 第六章 总结与展望
• 参考文献
• 致谢
• 作者简介
• 攻读硕士学位期间发表的论文和科研成果