机场智能视频监控中异常行为检测与目标跟踪算法研究

摘要

随着中国民航业的迅猛发展，机场所面临的安全压力日益增大。本文针对传统视频监控系统局限于人力监视缺乏主动检测识别异常事件的能力，对智能视频监控系统（Intelligent Video Surveillance，简称 IVS）中的异常行为检测算法与目标跟踪算法进行了研究，旨在为高性能的智能视频监控系统的开发与实现提供思路和参考。本文主要研究内容如下：
　　针对异常行为的检测问题，本文对传统的基于光流方向直方图（Histogram of Optical Flow Orientation，简称HOFO）的异常检测方法进行了改进。传统的光流方向直方图的计算仅限于对光流方向的简单统计，对图像信息的描述存在不足，为了提高对图像信息的表达能力，本文中对直方图的统计方式进行了改进，将光流能量加权到直方图的计算中，提出了一种基于加权光流能量的HOFO特征的异常行为检测算法。实验表明，改进后的算法与原始算法相比检测准确率得到了一定程度的提高。
　　针对上述异常检测算法检测速度与准确率低的问题，本文将基于卷积神经网络（Convolutional Neural Networks，简称CNN）应用于异常行为的检测，提出了一种基于卷积神经网络的异常行为检测算法。该算法不需要设计特征提取器，可以直接将图像作为输入，同时又采用了局部感知和权值共享的方法，大大加快了算法速度。实验表明，该算法相对于上述异常行为检测算法不仅加快了算法速度而且提高了检测准确率。
　　针对现有跟踪算法遇到遮挡、形变、以及光照变化而引起的跟踪失败问题，本文提出了一种融合表观特征与深度特征的目标跟踪算法。首先用大量行人数据库对 CNN网络进行训练，然后用训练好的CNN网络提取目标区域的深度特征，同时计算目标区域在HSV空间的颜色直方图，将深度特征与颜色特征进行联合得到整体特征。最后在粒子滤波框架下对多个假设状态进行估计，获得目标的最优位置，得到跟踪结果，并进行模板更新，最后根据粒子的退化情况，进行重采样。实验表明，本文跟踪算法获得了良好的跟踪鲁棒性。
　　最后，设计了异常行为检测与目标跟踪系统并在Matlab平台上进行了仿真实现，验证了本论文所研究算法的有效性和实用性。

目录

声明

缩略词

第一章 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3论文内容概要

第二章 基于加权光流能量的HOFO特征的异常行为检测算法

2.1光流概述

2.2基于改进的HOFO特征的异常行为检测

2.3实验结果及分析

2.4本章小结

第三章 基于卷积神经网络的异常行为检测算法

3.1 CNN的原理

3.2 基于CNN的异常行为检测

3.3实验结果和分析

3.4本章小结

第四章 融合表观特征与深度特征的目标跟踪算法

4.1 基于深度学习的特征提取

4.2 基于粒子滤波的在线跟踪

4.3实验设计与结果分析

4.4本章小结

第五章 基于MATLAB平台的异常检测与跟踪系统实现

5.1引言

5.2系统的总体结构

5.3系统界面

5.4 本章小结

第六章 总结与展望

6.1本文工作总结

6.2展望

参考文献

致谢

在学期间的研究成果及发表的学术论文