论文部分内容阅读
随着经济的快速发展,人们对于城市生活安全的要求不断提高,在公共场所中安装监控摄像头变得越来越普遍。目前,大多数监控视频系统都是依靠人工监控的方式,然而人在长时间工作之后,由于疲劳会导致注意力不断分散,很容易产生误检和漏检。为了克服人工监控的种种问题,监控视频异常检测技术应运而生,通过计算机程序对视频数据进行智能分析,可以自动化地对视频场景中发生的异常事件进行预警,大大提高了检测准确率与检测效率。在监控视频异常检测中,主要分为基于监督学习、基于半监督学习以及基于无监督学习三类异常检测方法。基于监督学习的异常检测方法只能检测视频中特定的异常行为,在使用上具有很大的局限性。基于半监督学习的异常检测方法对于构建的模型过于依赖,当模型出现偏差时很可能导致误检和漏检。基于无监督学习的异常检测方法直接对测试视频进行检测,使用灵活度高,并且不存在模型依赖问题,具有广泛的研究前景。本文基于无监督学习的方法对监控视频异常检测技术进行研究。本文将视频中的异常事件划分为局部和全局异常事件,分别从局部和全局两个不同的角度进行异常检测。在局部异常检测中,先提取并扩展视频中的运动块,将扩展后的运动块作为局部异常检测的基本单位,然后分别在时间、空间以及时空三个维度上进行异常检测。在全局异常检测中,先提取视频中的运动目标,将运动目标作为全局异常检测的基本单位,然后在运动目标序列上使用滑动窗口,对每个窗口内的运动目标进行异常检测,最后基于时间和空间一致性对检测结果进行优化。基于上述异常检测算法,本文设计并实现了一个监控视频异常检测系统。本文的主要工作如下:1)给出了一种基于无监督学习的监控视频局部异常检测算法。首先,提取视频中的运动块并对其进行扩展;然后,分别计算每个运动块的时间异常度、空间异常度以及时空异常度;最后,将三种异常度进行融合,设定局部异常阈值进行异常判断。该算法不需要使用训练样本构建模型,解决了基于半监督学习的监控视频异常检测算法中存在的模型依赖问题;仅对可能发生异常的运动区域进行检测,提高了检测效率;通过多样化的检测维度提高了检测准确率。2)给出了一种基于无监督学习的监控视频全局异常检测算法。首先,对视频中的运动块进行聚类,提取运动目标;然后,在运动目标序列上使用滑动窗口,根据设定好的全局异常阈值,对每个窗口内的运动目标进行异常判断;最后,基于时间和空间一致性对检测结果进行优化。该算法同样不需要使用训练样本,直接对测试视频进行检测,解决了模型依赖问题;将视频中的每个运动目标作为基本检测单位,保证了检测单位的统一,提高了检测准确率;在检测时加入了Unmasking操作,使得异常检测的结果更加准确;基于时间和空间一致性对检测结果进行优化,减少了由于阈值选取不当造成的误检,进一步提高了检测准确率。3)在上述工作的基础上,设计并实现了基于无监督学习的监控视频异常检测系统。首先,介绍了系统的总体设计;然后,对于系统相关功能的实现进行说明;最后,对系统的有效性进行了分析和评估。