基于視頻的人群異常事件檢測方法研究與實現(xiàn)
發(fā)布時間:2025-05-29 03:14
公眾場所人群異常事件的及時發(fā)現(xiàn)有利于相關(guān)部門實時響應(yīng)與救援,最大限度降低群眾人身傷亡和財產(chǎn)損失。隨著視頻監(jiān)控的普及與發(fā)展,通過視頻智能分析實時檢測異常,及時預(yù)警,已成為一種重要手段,F(xiàn)有基于視頻的異常檢測方法在復(fù)雜場景、噪聲等因素影響下,容易出現(xiàn)漏報和誤報。因此,提升基于視頻的異常事件檢測方法在復(fù)雜場景下的適應(yīng)能力成為重要的研究方向。本文主要研究并實現(xiàn)基于視頻的人群異常事件檢測,分別提出適用于全局異常和局部異常檢測的兩種方法,設(shè)計并實現(xiàn)了基于視頻分析的人群異常事件檢測軟件,可以檢測視頻監(jiān)控中人群的異常事件。具體工作如下:在局部異常事件檢測方面,提出一種改進的卷積自編碼器深度學(xué)習(xí)模型。該模型是一種無監(jiān)督學(xué)習(xí)模型,在傳統(tǒng)卷積自編碼器的基礎(chǔ)上加入長短期記憶網(wǎng)絡(luò),通過卷積層,提取正常人群運動的外觀特征;通過長短期記憶網(wǎng)絡(luò),捕捉外觀特征的時間相關(guān)性,實現(xiàn)正常人群運動的深度時空特征提取;在檢測階段,將該模型的標(biāo)準化重建誤差作為異常評分指標(biāo),進行異常判定。在Avenue數(shù)據(jù)集、UCSD ped1和ped2數(shù)據(jù)集進行仿真實驗,實時檢測的AUC值分別達到84.20%、84.65%和89.32%,EER值分...
【文章頁數(shù)】:103 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
引言
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 人群特征提取
1.2.2 異常事件檢測
1.3 主要研究內(nèi)容及結(jié)構(gòu)安排
1.3.1 本文主要研究內(nèi)容
1.3.2 本文結(jié)構(gòu)安排
2 異常事件檢測相關(guān)技術(shù)研究
2.1 基于聚類的檢測方法
2.2 基于重構(gòu)的檢測方法
2.3 基于統(tǒng)計的檢測方法
2.4 基于深度學(xué)習(xí)的檢測方法
2.4.1 自編碼器
2.4.2 遞歸神經(jīng)網(wǎng)絡(luò)
3 基于改進卷積自編碼器的異常事件檢測方法
3.1 視頻圖像預(yù)處理
3.1.1 提取視頻幀
3.1.2 圖像去噪
3.1.3 歸一化
3.1.4 零均值化
3.1.5 合成數(shù)據(jù)塊
3.2 模型構(gòu)建
3.2.1 卷積自編碼器
3.2.2 卷積長短期記憶網(wǎng)絡(luò)
3.2.3 模型網(wǎng)絡(luò)結(jié)構(gòu)
3.3 模型訓(xùn)練
3.3.1 模型訓(xùn)練超參數(shù)設(shè)置
3.3.2 模型訓(xùn)練
3.4 異常事件檢測
3.5 仿真實驗與結(jié)果分析
3.5.1 數(shù)據(jù)集
3.5.2 性能評價指標(biāo)
3.5.3 異常事件檢測
3.5.4 檢測方法性能評價
3.6 本章小結(jié)
4 基于前景目標(biāo)提取和光流特征的異常事件檢測方法
4.1 ViBe算法提取前景目標(biāo)
4.1.1 前景目標(biāo)提取
4.1.2 圖像形態(tài)學(xué)處理
4.2 Horn-Schunck算法提取光流特征
4.3 異常事件檢測
4.4 仿真實驗與結(jié)果分析
4.4.1 數(shù)據(jù)集
4.4.2 性能評價指標(biāo)
4.4.3 異常事件檢測
4.5 本章小結(jié)
5 基于視頻的人群異常事件檢測軟件設(shè)計與實現(xiàn)
5.1 開發(fā)環(huán)境
5.2 需求分析
5.3 軟件設(shè)計
5.3.1 用戶登錄模塊
5.3.2 局部異常事件檢測模塊
5.3.3 全局異常事件檢測模塊
5.4 軟件實現(xiàn)
5.4.1 用戶登錄模塊
5.4.2 局部異常事件檢測模塊
5.4.3 全局異常事件檢測模塊
5.5 本章小結(jié)
結(jié)論
參考文獻
在學(xué)研究成果
致謝
本文編號:4048636
【文章頁數(shù)】:103 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
引言
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 人群特征提取
1.2.2 異常事件檢測
1.3 主要研究內(nèi)容及結(jié)構(gòu)安排
1.3.1 本文主要研究內(nèi)容
1.3.2 本文結(jié)構(gòu)安排
2 異常事件檢測相關(guān)技術(shù)研究
2.1 基于聚類的檢測方法
2.2 基于重構(gòu)的檢測方法
2.3 基于統(tǒng)計的檢測方法
2.4 基于深度學(xué)習(xí)的檢測方法
2.4.1 自編碼器
2.4.2 遞歸神經(jīng)網(wǎng)絡(luò)
3 基于改進卷積自編碼器的異常事件檢測方法
3.1 視頻圖像預(yù)處理
3.1.1 提取視頻幀
3.1.2 圖像去噪
3.1.3 歸一化
3.1.4 零均值化
3.1.5 合成數(shù)據(jù)塊
3.2 模型構(gòu)建
3.2.1 卷積自編碼器
3.2.2 卷積長短期記憶網(wǎng)絡(luò)
3.2.3 模型網(wǎng)絡(luò)結(jié)構(gòu)
3.3 模型訓(xùn)練
3.3.1 模型訓(xùn)練超參數(shù)設(shè)置
3.3.2 模型訓(xùn)練
3.4 異常事件檢測
3.5 仿真實驗與結(jié)果分析
3.5.1 數(shù)據(jù)集
3.5.2 性能評價指標(biāo)
3.5.3 異常事件檢測
3.5.4 檢測方法性能評價
3.6 本章小結(jié)
4 基于前景目標(biāo)提取和光流特征的異常事件檢測方法
4.1 ViBe算法提取前景目標(biāo)
4.1.1 前景目標(biāo)提取
4.1.2 圖像形態(tài)學(xué)處理
4.2 Horn-Schunck算法提取光流特征
4.3 異常事件檢測
4.4 仿真實驗與結(jié)果分析
4.4.1 數(shù)據(jù)集
4.4.2 性能評價指標(biāo)
4.4.3 異常事件檢測
4.5 本章小結(jié)
5 基于視頻的人群異常事件檢測軟件設(shè)計與實現(xiàn)
5.1 開發(fā)環(huán)境
5.2 需求分析
5.3 軟件設(shè)計
5.3.1 用戶登錄模塊
5.3.2 局部異常事件檢測模塊
5.3.3 全局異常事件檢測模塊
5.4 軟件實現(xiàn)
5.4.1 用戶登錄模塊
5.4.2 局部異常事件檢測模塊
5.4.3 全局異常事件檢測模塊
5.5 本章小結(jié)
結(jié)論
參考文獻
在學(xué)研究成果
致謝
本文編號:4048636
本文鏈接:http://www.lk138.cn/falvlunwen/fanzuizhian/4048636.html
教材專著