论文部分内容阅读
智能监控就是利用计算机来替代人工对监控视频中的内容进行自动化分析的技术。作为一种有效的安防手段,智能监控系统已经越来越受到人们的重视。对于视频监控而言,更多的是对可监控范围内的行人行为的一种监控判断,因此人体的异常行为分析更成为此领域的一个比较重要且具有实际意义的研究方向。本文将会从理论研究和实际应用的角度出发,对监控视频中的人体异常行为的检测和分类做出一些新的探索。本文将视频监控中出现的行人分为单体和群体两大类,并分别对单体异常行为和群体异常行为进行了研究和分析。其一,在对视频中单一出现的行人进行分析时,本文首先对其进行目标检测和跟踪处理,从视频流中分离出行人的整体轮廓,并将此轮廓信息与事先存于标准模板库中的轮廓信息进行比对,然后再分析出行人这一系列的动作是否为异常;其二,在对群体异常行为进行分析时,本文摒弃了微观分析每一个单体行为的方法,而是从宏观的角度出发,从视频中出现的运动群体中抽取出可以代表群体整体行为的拓扑结构,并利用计算机系统对此拓扑结构进行监控,如果此拓扑结构发生结构性变化,则可以认为群体行为发生质变,并依据拓扑结构发生的变化类型对群体异常行为进行分类。本文无论是在单体异常行为分析阶段还是在群体异常行为分析阶段,都使用了较多的优化策略。对于单体分析而言,在前期的预处理阶段,本文就使用了快、慢更新策略来对前景进行检测;使用了卡尔曼滤波和颜色模型相结合的方法对运动单体进行跟踪;在行人轮廓的处理阶段也采用了轮廓补充和轮廓信息降维的处理方法来进一步获取行人的完整行为信息;使用了最不相似的标准模板库建立方法来获取更具代表性的模板库;改进了Hausdorff距离使图像序列相似度度量方法更为平滑。这些改进不仅保留了模板匹配算法原有的优势,同时也某种程度上填补了模板匹配算法固有的缺陷。在对群体行为进行分析的时候,本文将计算流体学中的可视化方法和聚类分析方法应用到对群体行为的分析之上,从视频流中提取到可以代表群体运动状态的拓扑结构,并通过对拓扑结构的监控从而分析出群体分流、合流,分散和聚集等多种群体异常行为。这种方法并不需要构造复杂的分类器,和以往的分类学习方法相比较而言,更加的简单且稳定。