论文部分内容阅读
随着摄像机、智能手机、监控探头等设备的普及,我们每天产生的视频数据越来越多,随之带来的海量视频数据存储和分析问题也越来越受到人们的关注。其中,视频中的异常行为检测与分析问题是目前研究的热点之一。这项技术在智能监控、视频检索、视频评级等领域都有着广阔的应用前景。本文针对视频中的特定异常行为检测和非特定异常行为检测这两类问题展开研究,重点在特征提取和异常行为识别这两方面提出了一些新的算法。在特定异常行为检测方面,针对视频中的暴力行为检测问题,本文提出了一种基于稀疏编码的视频特征提取框架。首先在视频中提取底层的局部时空兴趣点及其描述特征,然后采用基于核密度估计的数据降维算法,使得局部特征更具区分性并提高后续处理的时间效率。接着通过稀疏编码方法将局部特征在预先训练的“字典”上重新表达,生成中层的局部稀疏特征。最后,进一步采用“最大值合并”算法,提取出这些局部稀疏特征的全局统计特性,从而得到原始视频片段的全局特征描述。在拥挤和非拥挤场景数据集上的实验结果表明,该算法所提取的视频特征具有很强的鲁棒性和区分性。针对病人的异常肢体运动检测问题,本文提出了一种基于多标记点运动轨迹的检测分析算法。通过检测人体四肢上的标记点,同时结合常速度模型和卡尔曼滤波来得到各标记点的跟踪轨迹。最后基于各轨迹的模型残差来进行异常度决策,进而判断当前肢体运动是否异常。算法在医生提供的真实视频数据上取得了较高的准确率,说明该检测方法在计算机辅助诊断领域具有潜在的应用价值。在非特定异常行为检测方面,考虑到实际监控场景中的正常行为频繁发生且相对固定,而异常事件发生较少且不可预知,因此本文提出了一种无监督的异常检测方法。特征部分,采用多窗口、多尺度的光流方向直方图来描述视频中的行为;异常检测部分,将原始特征在预先生成的正常行为特征“字典”上作稀疏表达,然后根据稀疏重建损失来推断出当前行为的异常度。在不同场景视频上的检测结果验证了该算法的有效性。