论文部分内容阅读
视频监控中的异常行为检测已经受到广泛关注，特别是在公共安全领域。随着视频资料膨胀式的发展，人为监控判断资料的异常已经不能够满足安全保障的需要。本文致力于解决视频监控系统下的异常行为检测。根据异常行为发生数量少，分布不集中的特点，对视频中的运动聚类，并把包含数据量较少的簇定义为异常。在异常行为判断之前，首先对视频中所有的运动建立模型。通过跟踪算法跟踪出的运动物体位置及大小的序列，提取一系列有利于运动识别的属性，并根据属性序列为运动建立层次狄利克雷过程-隐马尔可夫模型(HDP-HMM)模型。HDP-HMM利用无参贝叶斯的方法学习隐马尔可夫模型(HMM)，使HMM无需指定状态个数，具有更强的学习及适应能力。根据建立好的运动模型，利用狄氏混合模型(DPMM)聚类的方法对运动聚类，找出包含数据少的簇，定义为异常的行为。整个异常行为检测的过程始终保持无监督学习。由于无参贝叶斯方法的使用，使模型不需要利用场景的先验知识为参数赋值，因此文中的模型对场景的适应能力及其灵活性都很强。
本研究的突出贡献主要体现在以下两个方面：⑴利用HDP-HMM分析视频中的运动。HDP-HMM是一种利用层次狄利克雷过程(HDP)产生的分布作为先验的HMM，它使HMM不再需要指定状态的个数，提高了HMM对不同运动的适应能力⑵利用混合模型聚类的方法进行异常行为检测，用狄氏过程(DP)产生的分布作为混合模型的先验，使聚类的最终个数不需要人为指定，不仅能够适应数据缺失的情况，还能对异常数据的多变性进行处理。