基于特征融合与稀疏表示的群体异常检测方法研究

摘要

随着社会经济的不断发展，人群密集场景不断增加。对人群的状态进行智能监控报警已经成为当前社会一个重要需求，具有极大的研究价值和实用价值。本文的工作围绕监控视频中人群的异常行为检测算法展开，主要研究了前景运动区域的提取、融合特征的提取、稀疏表示字典的构建与更新、异常行为的检测与定位。本文主要研究的工作如下： 首先对主要的前景检测方法进行研究分析，使用ViBe算法对前景目标区域进行提取，前景区域的提取有利于减少随后特征提取的时间。使用前景二值图像作为输入图像提取视频帧的HOG特征与MHOF特征。在提取MHOF特征时，使用Harris角点作为特征点表征运动人群，将提取到的角点与前景点集取交集，剔除背景角点降低冗余。使用筛选过的特征点构建光流场，减少了MHOF特征提取时间。在提取MHOF特征同时统计特征点速度分布，用于帧状态判断。最后对HOG特征与MHOF特征进行归一化融合获得融合特征。并结合实验对比融合特征与单一特征的检测率情况。 在提取特征之后对过完备字典进行构建，本文研究了使用正常样本及异常样本构建正常异常双字典来进行稀疏表示的方法。结合双字典的重建花费与超速粒子百分比来判断视频帧的状态。对出现字典重建花费无法判断视频帧状态的情况下，保存当前视频帧特征及无法判断情况连续出现次数。结合统计的特征点速度分布信息计算视频中超速粒子百分比，并与超速粒子数量阈值比较来判断视频帧状态。当连续出现次数过高时，使用保存的特征对字典进行在线更新。 对于异常目标定位，本文结合融合特征提取方法研究了一种基于运动目标前景面积与速度的异常定位方法，引入面积权值来减小透视效应对目标面积带来的影响。结合目标前景面积与速度对运动速度快、体积大的目标进行异常定位。 本文通过UMN和UCSD标准数据集进行实验分析，实验验证了本文方法在实时性和准确性上具有良好的表现。

目录

第一个书签之前

空白页面

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 本文主要内容

1.4 本文结构安排

2 基于HOG与MHOF的融合特征提取

2.1 特征提取算法

2.1.1 HOG特征提取算法

2.1.2 MHOF特征提取算法

2.2 基于前景分割的HOG特征提取方法设计

2.2.1 前景区域提取

2.2.2 梯度特征构建

2.3 基于特征点筛选的MHOF特征提取方法设计

2.3.1 特征点筛选

2.3.2 光流直方图构建

2.3.3 特征点速度分布统计

2.4 HOG与MHOF特征融合

2.5 实验结果分析

2.6 本章小结

3 基于双字典的稀疏表示异常检测方法

3.1 稀疏表示方法

3.2 双字典构建方法设计

3.2.1 正常特征字典构建

3.2.2 异常特征字典构建

3.2.3 字典训练

3.3 异常检测及字典更新方法设计

3.3.1 异常检测方法

3.3.2 字典的更新

3.4 实验结果分析

3.4.1 整体异常检测步骤

3.4.2 重建花费实验分析

3.4.3 全局异常检测结果

3.4 本章小结

4 局部异常检测与定位方法

4.1 局部异常定义

4.2 局部异常定位方法设计

4.2.1 基于前景面积的异常定位

4.2.2 基于特征点速度的异常定位

4.3 实验结果分析

4.4 本章小结

5 总结与展望

5.1 全文总结

5.2 展望

致谢