论文部分内容阅读
近年来,随着社会公共安全需求的不断增强,智能视频监控系统得到了快速发展。智能视频监控通过有效的视频分析实现对场景中的目标或事件的自动识别和判断。视频异常事件检测是其中一个重要的研究课题,得到了越来越多研究者的关注。本文研究基于稀疏表示的拥挤场景中群体异常检测技术,主要研究内容和成果如下:1.研究了适用于稀疏表示的群体异常检测中的视频特征提取,提出两种基于图像二值化的快速特征提取方法。其中,基于全局二值化-方向梯度(GB-HOG)特征提取利用帧间差分法得到当前帧与前一帧的差分图像,然后使用OTSU算法对其进行二值化处理,再由二值化图像提取HOG特征;基于区域原图-方向梯度(RO-HOG)特征提取利用帧间差分法得到当前帧与前几帧的差分图像,将差分图像用OTSU阈值进行二值化处理后求得非零区域的交集,然后检测得到主要活动区域,最后对主要活动区域进行HOG特征提取。实验表明,这两种方法在基于稀疏表示的群体异常检测中均可以显著提升处理速率。2.研究了稀疏表示的群体异常检测中的字典选择,提出基于自适应加权双字典的群体异常检测方法。利用之前提出的GB-HOG和RO-HOG特征提取方法提取特征后分别进行字典学习,然后将测试样本特征在双字典上进行稀疏表示得到稀疏重建代价。同时根据计算的场景光照均匀度,利用高斯函数估计器估计两部分稀疏重建代价的权重,用该权重对两部分稀疏重建代价进行加权求和,得到最终的稀疏重建代价之后再进行异常事件的判断。实验表明,实现双字典可以提高基于稀疏表示的异常检测算法的准确性。3.研究了稀疏表示的群体异常检测中的字典更新,提出基于字典增量更新的群体异常检测方法。通过设置判断准则判断用于字典增量更新的新特征,并在合理的频率下进行字典增量学习,使得用于稀疏表示异常检测的字典能够更加准确的代表正常样本特征。实验表明,使用字典的增量更新可以使异常检测算法能够适应一定的环境变化,提高异常检测算法的鲁棒性。本文对上述算法在不同的监控视频序列上进行了实验和性能的分析。实验结果表明,提出的两种方法在基于稀疏表示的群体异常检测中均可以显著提升处理速率;基于自适应加权双字典的群体异常检测方法能够根据场景光照条件的不同调节自己的异常检测算法,提高异常检测算法的准确性;基于字典增量更新的群体异常检测算法,能够根据场景的变化增量更新自己的字典,提高群体异常检测算法的鲁棒性。本文最后对本文工作进行总结,并对研究工作中未来可能改进的方向做了进一步讨论。