視頻監(jiān)控中多目標(biāo)分類與異常行為檢測的研究.pdf

1、在21世紀(jì)，多目標(biāo)分類以及異常行為檢測在視頻監(jiān)控、圖像檢索、人機(jī)交互以及軍事等領(lǐng)域得到廣泛的應(yīng)用。該技術(shù)涵蓋的內(nèi)容很廣泛，包括目標(biāo)檢測、特征提取、目標(biāo)識別與行為分析等，但其中關(guān)鍵技術(shù)仍然存在大量的問題亟待解決。本文在總結(jié)和分析國內(nèi)外現(xiàn)有研究成果基礎(chǔ)上，對多目標(biāo)分類、異常行為識別等關(guān)鍵問題進(jìn)行深入的研究，在對主要環(huán)節(jié)加以改進(jìn)的基礎(chǔ)上進(jìn)行實驗分析，并設(shè)計出相應(yīng)的智能視頻監(jiān)控系統(tǒng)。
　　本文的主要工作包括:
　　在運(yùn)動目標(biāo)檢測方面

2、，首先分析常用檢測算法的優(yōu)缺點(diǎn)，然后重點(diǎn)研究了混合高斯(Mixture of Gaussian，MOG)模型。為了解決混合高斯不能處理紋理抖動的問題，提出了一種基于背景減法的改進(jìn)的MOG模型，然后通過形態(tài)學(xué)來處理前景區(qū)域。
　　在多目標(biāo)分類方面，論文通過實驗比較分析幾種主流算法在多目標(biāo)分類中的性能。針對可視化“詞袋”模型(Bag of Visual Words，BOVW)特征提取時間復(fù)雜度高、視覺字典魯棒性低以及場景分類率低的問題

3、，論文結(jié)合稠密SIFT(Scale-Invariant Feature Transform)、空間金字塔、自適應(yīng)更新字典以及語言模型(language Model，LM)的優(yōu)點(diǎn)，提出了一種改進(jìn)的BOVW多目標(biāo)分類方法。實驗結(jié)果表明，該方法能夠有效的提高系統(tǒng)的實時性以及分類率。
　　在異常行為檢測方面，對視頻監(jiān)控領(lǐng)域常見的異常行為進(jìn)行闡述。由于行為識別的復(fù)雜性，本文引入耦合隱馬爾可夫模型(Coupled Hidden Markov

4、Models，CHMM)作為訓(xùn)練模型。但是該模型學(xué)習(xí)能力差并且對大數(shù)據(jù)庫依賴性較強(qiáng)，所以本文提出了一種增量學(xué)習(xí)(Incremental Learning，IL)的CHMM方式。該方法通過樣本的可靠性以及回歸學(xué)習(xí)策略來訓(xùn)練模型，如果出現(xiàn)未識別行為，首先對其進(jìn)行分類，然后通過劃分出的行為訓(xùn)練出新的行為模型，再對該行為模型進(jìn)行標(biāo)注，從而形成一個基于增量學(xué)習(xí)的耦合隱馬爾可夫模型(Incremental Learning CoupledHidde