監(jiān)控視頻場(chǎng)景異常檢測(cè)技術(shù)研究.pdf

1、隨著公共安全意識(shí)的逐漸提高，視頻監(jiān)控技術(shù)得到了廣泛應(yīng)用，其中以人群為目標(biāo)的監(jiān)控視頻異常檢測(cè)一直是研究的難點(diǎn)。機(jī)器學(xué)習(xí)方法逐漸被應(yīng)用到監(jiān)控視頻的異常檢測(cè)系統(tǒng)中，提高了系統(tǒng)的檢測(cè)水平。監(jiān)控視頻場(chǎng)景異常檢測(cè)作為一種公共安全和社會(huì)秩序管理技術(shù)，逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)。
　　本文通過分析現(xiàn)有監(jiān)控視頻中場(chǎng)景異常檢測(cè)存在的問題，從基于視頻特征信息分析和基于人群模型兩個(gè)角度進(jìn)行研究，并在此基礎(chǔ)上初步探索了基于云平臺(tái)的分布式視頻場(chǎng)景異常檢測(cè)框架。

2、論文的主要工作如下：
　　首先，采用基于群體特征的異常檢測(cè)方法，直接對(duì)特征信息進(jìn)行分析。為了提高異常檢測(cè)的精確率，減少檢測(cè)時(shí)間，提出了一種基于改進(jìn)遺傳算法的特征選擇和 SVM訓(xùn)練模型聯(lián)合優(yōu)化算法。該方法提取視頻的特征數(shù)據(jù)，對(duì)特征數(shù)據(jù)降維，再運(yùn)用 SVM算法建立分類學(xué)習(xí)模型。特征選擇和訓(xùn)練模型這兩個(gè)過程互相依賴，采用SA改進(jìn)GA算法，并使GA中的交叉遺傳操作自適應(yīng)化，同時(shí)對(duì)特征選擇和 SVM模型對(duì)參數(shù)進(jìn)行優(yōu)化。實(shí)驗(yàn)表明，該方法可以快

3、速找到最優(yōu)特征子集和 SVM訓(xùn)練參數(shù)，提高了視頻異常檢測(cè)的精確度，同時(shí)縮短了分類檢測(cè)的時(shí)間。
　　其次，為了精確模擬人群的運(yùn)動(dòng)狀態(tài)，研究了基于物理模型的人群異常檢測(cè)方法，提出了基于粒子群優(yōu)化的社會(huì)力模型描述人群信息。該方法提取群體光流運(yùn)動(dòng)特征，用光流表示SFM中行人的速度，再利用PSO改進(jìn)傳統(tǒng)SFM對(duì)中高密度人群的建模，將社會(huì)力矢量處理后進(jìn)行 SVM分類預(yù)測(cè)，檢測(cè)視頻中異常行為。通過粒子平流方法，使得粒子向相互作用力較小的區(qū)域移動(dòng)

4、，粒子的位置盡可能落在前景區(qū)域，模擬人群行為。實(shí)驗(yàn)表明，該方法能夠有效地提高視頻場(chǎng)景異常檢測(cè)的查全率和查準(zhǔn)率。
　　最后，為了處理實(shí)際應(yīng)用中海量監(jiān)控視頻數(shù)據(jù)的異常檢測(cè)問題，探索了基于 Hadoop平臺(tái)的監(jiān)控視頻異常檢測(cè)并行化框架。主要實(shí)現(xiàn)對(duì)視頻數(shù)據(jù)Map/Reduce鍵值對(duì)數(shù)據(jù)類型、數(shù)據(jù)I/O類型和基于Mapreduce的SVM分類算法的設(shè)計(jì)。利用Hadoop平臺(tái)的HDFS存儲(chǔ)機(jī)制和Mapreduce編程模型對(duì)監(jiān)控視頻異常檢測(cè)系統(tǒng)