基于視頻的場(chǎng)景分析和異常行為識(shí)別.pdf

1、近些年來，隨著視頻數(shù)據(jù)的快速增長，建立有效的視頻可視化系統(tǒng)，對(duì)系統(tǒng)中的這些數(shù)據(jù)進(jìn)行智能化的管理，成為一個(gè)急需解決的問題。最引人注目的研究是人類的視覺系統(tǒng)是如何迅速、準(zhǔn)確和全面的認(rèn)識(shí)和理解復(fù)雜的視覺世界。在一個(gè)視頻場(chǎng)景中，與理解相關(guān)的內(nèi)容叫做“場(chǎng)景分析”。在計(jì)算機(jī)視覺中，場(chǎng)景分析近年來取得了一些巨大的進(jìn)步,尤其是在物體的分類、定位和事件檢測(cè)上。另外一方面，智能監(jiān)控下的的視頻異常行為識(shí)別，越來越得到重視。這是由于它不僅能夠節(jié)省大量的人力，而

2、且能夠解決傳統(tǒng)視頻監(jiān)控的滯后性。本文從理論和實(shí)際出發(fā)，針對(duì)場(chǎng)景中的路標(biāo)、特定場(chǎng)景中的遮擋人臉以及暴力行為，進(jìn)行了深入的研究，并提出了行之有效的對(duì)應(yīng)的解決算法。本文的主要研究內(nèi)容和貢獻(xiàn)包括以下四個(gè)方面：
　　基于視頻的路標(biāo)檢測(cè)在助駕系統(tǒng)中起著重要的作用。本文設(shè)計(jì)一個(gè)魯棒并且快速的路標(biāo)檢測(cè)系統(tǒng)，主要提出了三級(jí)層次的檢測(cè)框架，其中包括關(guān)鍵幀選取模塊、分割模塊和檢測(cè)模塊。在關(guān)鍵幀選取階段，本文提出一種快速準(zhǔn)確的視頻關(guān)鍵幀選取策略。在分割模

3、塊，本文提出了基于顏色對(duì)抗性的方法來產(chǎn)生候選的路標(biāo)區(qū)域，這種方法簡單有效，可以為檢測(cè)模塊節(jié)省大量的時(shí)間。在檢測(cè)階段，本文修改了傳統(tǒng)的快速的徑向?qū)ΨQ變化算法，通過引入點(diǎn)對(duì)的投票機(jī)制，提出改進(jìn)的徑向?qū)ΨQ變換以獲取更高的準(zhǔn)確率，用基于形狀的方法來處理上述產(chǎn)生的候選區(qū)域，以檢測(cè)出正確的路標(biāo)。在很多數(shù)據(jù)集上的驗(yàn)證實(shí)驗(yàn)論證了本文算法的高效性和實(shí)時(shí)性。
　　基于ATM取款機(jī)的犯罪行為已經(jīng)得到了廣泛的關(guān)注。犯罪分子為了避免身份暴露故意遮擋自己的臉

4、部。為了解決這個(gè)問題，本文提出了一種基于ATM場(chǎng)景下的簡單快速魯棒的人臉遮擋檢測(cè)算法，這種算法能夠處理任何情況下的遮擋人臉檢測(cè)問題。首先本文創(chuàng)新性地設(shè)計(jì)了基于高斯能量函數(shù)的頭部定位算法，這種算法充分利用了人體頭肩部形成的輪廓特征。然后設(shè)計(jì)了基于貝葉斯框架的頭部跟蹤算法，該算法很好地融合了形狀和直方圖的信息。最后設(shè)計(jì)了基于三種顏色空間的膚色提取算法，為了更好地判別一個(gè)人臉是否異常，本文將膚色檢測(cè)和人臉模板融合到Adaboost中，利用級(jí)聯(lián)

5、的優(yōu)勢(shì)，得到了更具有判別性的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明本文算法可以達(dá)到98.64%的人臉檢測(cè)率和98.65%的遮擋人臉驗(yàn)證率，整個(gè)設(shè)計(jì)的系統(tǒng)可以達(dá)到每秒鐘12幀的處理速度。
　　暴力檢測(cè)是監(jiān)控系統(tǒng)領(lǐng)域的一個(gè)熱門話題，但是它相對(duì)研究的比較少。本文提出了一種快速和魯棒的暴力檢測(cè)的框架。主要的貢獻(xiàn)包括兩個(gè)方面。首先，提出了光流的高斯模型(GMOF)來提取候選的暴力區(qū)域。然后，提出一種新的描述子，也就是改進(jìn)的光流方向直方圖(OHOF)，它是通

6、過密采樣候選的暴力區(qū)域，在多個(gè)尺度上建立一個(gè)時(shí)空特征描述子來對(duì)暴力行為進(jìn)行檢測(cè)。該算法不但可以檢測(cè)出暴力行為，而且還能定位出暴力發(fā)生的區(qū)域。最后，實(shí)驗(yàn)結(jié)果論證了本文提出的算法不但具有較高的檢測(cè)率，而且處理速度非常快。
　　最后，本文從另外一個(gè)角度解決暴力檢測(cè)問題。本文提出運(yùn)動(dòng)韋伯特征(MoWLD)和稀疏表示分類相結(jié)合的方式對(duì)視頻中的暴力行為進(jìn)行檢測(cè)。首先，從輸入視頻中用高斯濾波去除一些噪聲，然后再提取出MoWLD特征，緊接著，基于

7、核密度估計(jì)的算法對(duì)原始特征進(jìn)行降維處理，這樣可以得到更為有效的特征。然后，本文提出改進(jìn)的稀疏分類模型用于特定類字典的學(xué)習(xí)。在這個(gè)模型里面，表達(dá)約束項(xiàng)和系數(shù)調(diào)整項(xiàng)被提出用于字典的學(xué)習(xí)，使得學(xué)習(xí)的詞典具備更強(qiáng)的判別能力。表達(dá)約束項(xiàng)可以控制系數(shù)的重構(gòu)誤差，從而更好地提高分類的準(zhǔn)確性。系數(shù)調(diào)整項(xiàng)可以確保目標(biāo)特征的分類誤差，從而可以確保不同類的特征更加突出。因此提出的兩個(gè)增加項(xiàng)可以使得模型具備更強(qiáng)的判別能力。最后相應(yīng)的分類機(jī)制被提出用來對(duì)視頻中的