导　　师： 谢维信

授予学位： 硕士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 视频中异常行为检测是智能视频监控领域的一个重要研究方向,视频监控场景下的人群异常行为检测能够有效地对突发事件进行预报或及时处理,并且能够节省人工检测的成本,在现实生活中应用前景广泛。因此该课题受到越来越多研究者的关注,对其进行深入研究具有重要的理论价值和现实意义。首先,本文对表现异常行为的行人或物体称为异常对象,研究了异常对象检测相关理论知识,阐述了背景建模、图像常用特征、卷积神经网络等理论背景。为后续的异常对象基本表示、特征提取及分类器设计提供基础。其次,本文研究工作分为以下两部分。(1)针对人群恐慌异常行为的训练样本难以获得、且表观特征不明显等问题,提出一种基于运动前景效应图特征的人群恐慌异常行为检测算法。该算法首先使用自适应混合高斯的背景建模方法分割背景区域,然后对视频帧图像采用分块处理,结合获得的前景区域计算各个空时分块的运动前景效应图特征。通过一种改进的优化初始聚类质心的K均值聚类算法对数据进行训练和测试。实验结果表明,和现有的检测算法相比,所提出算法在保持室外场景检测率相当的同时,室内场景下的检测AUC值提升至少2.64%,达到86.85%,有效地提高了恐慌行为的检测准确率。(2)针对机动车、骑行者、滑板者闯入人行道的异常行为,提出了一种基于联合双路卷积神经网络的异常行为检测算法。该算法首先使用自适应混合高斯背景建模算法分割背景区域,以前景点为中心获得固定大小的候选检测窗口,使用非极大值抑制算法筛选得检测窗口;然后可获取得检测窗口的单帧图像,并使用一种改进CIFAR-10-Full的卷积神经网络对其建模。其次,获取得检测窗口的连续三帧光流幅度图,并使用相同的改进CIFAR-10-Full的卷积神经网络对其建模,在检测阶段,加�

关 键 词： 异常行为检测 背景建模 运动前景效应图 联合双路卷积神经网络

领　　域： []