基于特征点的群体异常检测方法的研究

摘要

本文的研究工作围绕公共场所中出现群体异常行为监控系统中的群体异常行为检测算法展开，重点研究本文群体异常检测方法设计实现过程中所涉及到的特征点提取算法、运动前景提取算法，目标跟踪算法以及群体异常检测算法四个关键问题。
　　观存的异常检测算法大多数是通过运动模板的方式实现的，本文研究设计了一种基于特征点的群体异常检测方法。首先，在研究分析Harris特征点提取算法与SIFT特征点提取算法的基础上，结合Harris特征点与SIFT特征点各自的优势，设计了一种在多尺度空间内的改进型Haris特征点提取方法，并以此方法初步提取了群体异常检测所需要的特征点。然后，为了进一步筛选出有效运动前景区域特征点，提高异常检测的准确率，在研究分析相关的运动前景提取算法的基础上，设计了一种基于运动前景提取算法的特征点优化方法。紧接着又基于Lucas-Kanadec算法对优化后特征点进行了跟踪匹配，并在此基础上进一步研究发掘了跟踪匹配成功的特征点在相邻帧间空间位置关系的变化，然后依据该变化为匹配成功的特征点赋予运动速度和运动方向两个属性，然后按照运动属性对运动特征点集进行分类统计，进而构造出群体运动场。在群体异常检测阶段，依据群体运动场的速度分类统计信息和方向分类统计信息分别给出了针对速度和方向的异常判决器设计方法，同时也给出了结合速度与方向两方面的综合性异常判决方法。
　　本文最后在Visual Studio2010开发平台上编程实现了基于特征点的群体异常检测方法，并通过UMN数据集进行了相关性能测试，测试结果表明：基于特征点的群体异常检测方法在实时性和准确性方面均有良好的表现。

目录

声明

1 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文主要工作

1.4 本文章节安排

2 特征点提取方法的研究

2.1 Harris特征点提取算法

2.2 SIFT特征点提取算法

2.3 本文特征点提取方法的设计与实现

2.4 实验测试与结果分析

2.5 本章小结

3 特征点集优化方法的研究

3.1 运动前景提取方法

3.2 本文特征点集优化方法的设计与实现

3.3 实验测试与结果分析

3.4 本章小结

4 基于点匹配算法构建运动场方法的研究

4.1 Lucas-Kanade算法

4.2 本文构建群体运动场方法的设计与实现

4.3 实验测试与结果分析

4.4 本章小结

5 基于特征点的群体异常判决器

5.1 基于模板差异性的群体异常检测方法相关介绍

5.2 本文群体异常判决器的设计与实现

5.3 实验测试与结果分析

5.4 本章小结

6 总结与展望

6.1 全文总结

6.2 研究展望

致谢

参考文献