论文部分内容阅读
随着智能视频监控系统(CCTV)在安防领域迅速地增长,群体异常行为特征提取与识别技术在群体监控和管理方面已成为了一个研究热点。由于行人之间相互遮挡和阻塞无法完整地提取行人之间的交互信息,并且还没有成熟的模型将图像的低层特征提升到具有人类先验知识的高层语义特征。因此,目前群体行为的识别率仍然很低。为了解决上述问题,本文从视频流中探索了一种新颖的时空特征描述算子,并且基于时空特征描述算子的实例训练了一个深度学习模型,从而完成了一个实时智能的群体异常行为检测系统。本文的主要内容如下:1.分析了混合高斯背景模型更新速率较慢的原因,从而本文提出将自适应帧间差分法(TD)融入混合高斯背景算法,并对其进行了两方面的改进:1)加入自适应阀值来改进帧间差分法,以消除光照突变时带来冗余的噪声;2)将改进的帧间差分法(TD)融入GMM模型中,以消除群体运动区域中无关的背景,并减少后续跟踪过程的计算量。2.群体的四个交互属性(一致性、冲突性、稳定性和密度)融合成场景独立的中层的特征时空描述算子(STFD)的实例,并对其进行了三方面的改进:1)分析了CF(Coherent filtering)划分子群体导致子群体间信息丢失的问题,从而提出了改进ST时空立方体的分割算法。该ST算法不但解决了群体的过度分割问题,还弥补了群体间的交互信息;2)新增加了一个局部密度属性,来估算群体在空间分布上的紧密程度;3)并改进了小群体的四个交互属性,然后将小群体的交互信息融合成场景独立的STFD实例。此STFD实例不仅提高了特征提取算法的性能,还提高了4.75%的识别率。3.本文提出了一种基于卷积神经网络(CNN)的异常行为识别模型,并将STFD实例和原始视频图像输入CNN中得到具有高层语义的CNN模型。该CNN模型结合了静态的场景特征和动态的群体运动特征,从而提高群体异常行为的识别率。最后,基于以上的理论研究,本文设计并实现了一个实时智能的群体异常行为检测原型系统,详细地阐述了该系统的各个功能模块。本文集成的CNN异常检测系统与经典的异常检测系统在准确性和性能方面进行了对比,验证了本文集成的CNN识别模型有较高的识别率,能够应用在复杂的场景中。