论文部分内容阅读
视频中的异常检测是一项极具意义和挑战性的工作,不仅在日常的监控系统中有很大的应用价值,在计算机视觉中也是研究的重点,而现实生活中的监控场景大都是拥挤场景,例如车站,商场,超市等,这些场景内有较多的运动物体,这对异常检测造成了很大的困难,如何准确地在拥挤场景内检测出异常是一件很有意义的事。近年来,遗传编程逐渐成为演化计算领域的热门研究方向,并被应用到各个领域,包括计算机视觉方面,例如车辆检测以及运动检测。但是目前很少有研究把遗传编程应用于视频异常检测中,本文的研究工作就是把遗传编程应用于视频异常行为检测中,主要的研究工作如下:·提出了基于动态选取的遗传编程分类方法本文对遗传编程用于解决分类问题进行了研究并提出了基于动态选取的遗传编程分类方法。针对如何提高算法运行效率,提出了动态子集选取算法,使得在分类性能差不多的情况下能够大幅度地减少算法运行时间,提高运行效率;针对如何提高分类精度,在原始的静态范围选取的基础上进行改进提出了动态范围选取算法,使得分类精度能够有一定的提升。·提出了基于遗传编程的群体异常行为检测方法对于拥挤场景中的群体异常行为,本文提出了基于遗传编程的群体异常行为检测方法。首先从帧级特征着手,提出了新的帧级特征提取方法—多维度光流直方图,该方法提取的特征包含了一帧里详细的运动信息。然后把一帧当作一个样本,若该帧中包含异常行为,则该帧对应的样本是异常的,否则即是正常的。通过训练样本,遗传编程训练得到一个异常检测分类器,能够对后续的视频进行异常检测。由于群体异常行为是场景里的大部分甚至全部运动物体的异常行为,所以本文只检测一帧是否包含异常,而不在帧中进行异常定位和标注。·提出了基于遗传编程的个体异常行为检测方法对于拥挤场景中的个体异常行为,本文提出了基于遗传编程的个体异常行为检测方法。首先从像素级特征着手,提出了新的像素级特征提取方法—多帧局部二值模式差和加权多帧局部二值模式差。与传统的特征提取方法例如光流法和差分法相比,本文提出的特征提取方法不需要复杂的预处理步骤,能够快速地提取包含视频时空信息的特征。把一帧中的一个图像块当作一个样本,若该图像块内包含异常行为,则该样本为异常的,否则为正常的。通过训练样本,遗传编程训练得到一个异常检测分类器,能够对后续的视频进行处理,通过投票机制,能够实时地检测视频中的个体异常行为并进行异常定位和标注,从而能够直观的看到异常行为所在的位置。