论文部分内容阅读
随着计算机视觉和深度学习技术的快速发展,大量国内外学者对作用于视频监控下的人体异常行为检测技术产生了浓厚的兴趣。并且随着视频数据量的迅速增长,如何快速且准确的识别异常行为成为了该领域的研究热点。人体异常行为检测过程由视频预处理、人体特征的提取与检测模型的训练、正常与异常行为的分类等部分组成。本文针对上述过程,所做具体工作总结如下:(1)KNN非参数核密度估计算法是一种常用的运动目标检测方法,它根据样本属性进行建模,使用概率密度函数对数据点进行估计,进而完成前景图像的提取。但是使用KNN非参数核密度估计算法进行运动目标检测,会出现目标提取有阴影,背景分离不彻底,目标轮廓不分明等问题。针对上述算法存在的缺点和问题,本文提出了改进的KNN非参数核密度估计算法,该算法应用K近邻非参数密度算法计算图像中像素点的概率密度,提取运动目标,同时利用高斯滤波函数,通过二维离散傅里叶的正反变换在频率域对采样的视频帧进行高通滤波,所得的图像再和前景图像进行融合,从而实现提取出更具有视觉效果的前景图像。实验结果表明,本文提出的方法得到的前景图像清除阴影效果明显,背景分离较为彻底,目标轮廓分明。(2)为了人体异常行为检测任务在大型数据集下得到更高的识别准确率,本文提出了使用KNN非参数核密度估计算法与C3D模型相结合进行人体异常行为检测这一方法,首先使用KNN非参数核密度估计算法对原始视频进行处理,得到去除背景后的图像序列,然后把这些图像序列输入C3D模型进行训练,最后对输入的行为动作进行分类与检测。实验结果表明,本文提出的方法不仅运行时间较少且识别准确率较高。(3)针对传统的三维卷积神经网络算法不能充分利用网络多层次卷积特征的问题,提出了一种结合C3D网络和快捷连接的新型网络模型来进行人体异常行为检测,该算法分别在C3D网络中的池化层之间加入了三个快捷连接,快捷连接内部使用1×1×1卷积核来调节通道数,同时为了防止神经网络过拟合,每个全连接层后都加入了 Dropout机制。通过在大型数据集上进行试验,结果证明了该方法相比于C3D网络,其可以充分利用多层次卷积特征、加强了网络中信息流的传递,检测准确率提高了 2.05%。同时将我们提出的方法与其他主流的分类模型做了对比,对该方法的可靠性进行了验证。