基于运动信息的异常行为检测方法研究与系统实现

摘要

随着近几年的城市化改革，城镇人口数目增多，人们安全意识也不断地增强，政府也大力推广平安城市的建设，然而市场上广泛使用的监控系统已不能满足社会发展的需求。目前，视频监控的主要功能是录制保存视频、通过安保人员的观测来判断是否有异常行为发生以及事后对异常事件的提取调查。如果异常行为发生时，监控系统能够自动检测到并通知安保人员，这样不仅能够为工作人员节省大量的时间，同时也能够预防事故的发生。故智能监控的异常行为检测系统在之后的发展中，存在极高的研究价值和商业市场。本文重点对监控系统进行研究，提取和分析运动信息，通过基于规则的方式对异常行为进行判定。
　　本文通过构建智能监控系统，设计了软件系统框架和硬件框架，实现了异常行为检测自动化。异常检测系统的软件部分包括了运动目标检测、目标分类、行人跟踪和异常行为检测这四个部分。论文首先对运动目标检测算法进行了介绍，比较总结了几个常用算法的优缺点，选择检测效果和实时性较好的检测算法。再通过串联检测方法，将运动检测和行人检测相结合，本文采用头肩检测的方式，提高检测效率，并解决行人之间遮挡问题，同时也降低了行人检测的误检率，为之后准确跟踪行人提供了保障。
　　然后为了能够准确跟踪行人，本又采用了Kalman滤波的方式对行人进行预测估计。本文将Kalman滤波与匈牙利匹配算法相结合，实现了多目标跟踪。通过将运动检测算法与跟踪算法相结合的方式，实现了跟踪自动初始化以及有效解决遮挡问题和目标跟踪丢失问题。
　　最后本文采用基于规则的方式，对异常行为进行了定义，针对校园里的监控场景，实现了较为典型的异常行为检测。同时对徘徊异常行为进行了解释说明，提出了基于轨迹分量检测徘徊轨迹的方法。考虑到单人行为和群体行为有很大差别，本文介绍了基于社会力的熵值检测方法来对群体异常行为进行检测。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状及分析

1．2．1 行人异常行为检测的研究现状

1．2．2 异常行为检测理论发展现状

1．3 本论文的主要内容

1．4 论文结构安排

第二章 监控视频中运动目标检测

2．1 监控视频中的运动目标检测算法

2．1．1 帧间差分法

2．1．2 光流法

2．1．3 混合高斯模型(GMM)法

2．1．4 ViBe算法

2．2 基于机器学习的行人检测算法研究

2．2．1 HOG特征提取

2．2．2 分类器训练

2．3 串联组合行人检测方法研究

2．4 本章小结

第三章 运动目标跟踪算法

3．1 跟踪算法概述

3．1．1 基于特征的跟踪算法

3．1．2 基于区域的跟踪算法

3．1．3 基于轮廓的跟踪算法

3．1．4 基于模型的跟踪算法

3．2 行人跟踪总体设计

3．2．1 卡尔曼滤波跟踪算法

3．2．2 匈牙利算法

3．3 运动检测与跟踪信息的融合

3．3．1 基于Kalman滤波的多目标跟踪算法

3．3．2 实验结果分析

3．4 运动轨迹拟合

3．5 本章小结

第四章 行人异常行为检测研究

4．1 几种典型异常行为检测

4．1．1 区域保护检测

4．1．2 目标速度分析

4．2 徘徊行为检测

4．2．1 运动轨迹分析法

4．2．2 徘徊轨迹分析

4．2．3 徘徊行为仿真实验

4．3 群体异常行为检测

4．3．1 社会力模型的概念

4．3．2 运动熵

4．3．3 实验结果分析

4．4 本章小结

第五章 异常行为检测系统的实现

5．1 系统整体框架

5．1．1 系统的硬件架构

5．1．2 系统的软件架构

5．2 软件模块的实现

5．2．1 系统的软件架构

5．2．2 相关软件库的支持

5．3 系统运行展示

5．4 本章小结

第六章 总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文