时空关系下视频的目标异常行为检测研究

摘要

随着智能化视频监控的发展，越来越多的视频监控设备被应用到安防的各个领域，通过视频监控系统可发现存在于医疗服务工作中的漏洞及不足之处，也可为公安机关提供辅助破案的有效证据。然而随着监控设备的扩增，监控视频的数据量也在不断增加，传统的通过人眼来对视频中异常事件进行识别的方法需要耗费大量的人力物力，已经无法满足当今视频分析的需求，因此研究基于监控视频的智能化目标异常行为检测系统具有重要的作用。 本文从视频中目标异常行为识别所面临的问题出发，提出了一种新的目标异常行为检测模型来智能化的识别监控视频下人体的异常行为，具体包含以下三个方面: 1.提出了基于单目固定摄像头的目标深度估计方法。针对现有方法中难以直接获取三维空间中人体深度信息的问题，本文提出了目标深度估计方法。该方法通过测量初始值，推导目标骨架关键节点的深度信息，进而获取人体在三维空间中的完整深度信息。 2.提出了基于时空关系的骨架动作识别模型。针对现有模型难以提取骨架长时间序列中关键信息的问题，本文提出了基于时空关系的骨架动作识别模型（LST-CNN&FS-LSTM）。其中局部时空卷积神经网络（LST-CNN）改进了已有模型在图像上进行三维卷积的方法，根据每个时间段在行为判别上注意力关注程度的不同提出了基于时间片段选择的长短时记忆网络（FS-LSTM），改进长短时记忆网络，将所有时刻的输出求平均来使网络较平均的获取所有有用的信息，以达到骨架序列段选择的目的。另外针对骨架序列的多人识别问题，本文提出了基于可变池化的特征压缩方法来动态的处理多人骨架序列的行为识别。并通过实验对比验证该模型的有效性。 3.实现了异常行为检测应用系统。为了验证算法的有效性，本文结合实际项目的需求开发，设计并完成了监所场景下目标异常行为检测应用系统，最终达到了监所内异常监控的效果。

目录

第一章 绪论

1.1 研究工作的背景与意义

1.2 国内外研究现状

1.2.1 通过原始RGB视频图像

1.2.2 通过骨架序列

1.3 论文的研究内容

1.4 本论文的结构安排

第二章 骨架动作识别方法概述

2.1 引言

2.2 卷积神经网络和循环神经网络

2.3 基于卷积神经网络的骨架动作识别

2.4 基于循环神经网络的骨架动作识别

2.5 循环神经网络和卷积神经网络相结合的骨架动作识别

2.6 相关数据集介绍

2.7 本章小结

第三章 基于单目固定摄像头的目标深度估计方法

3.1 引言

3.2 深度估计方法概述

3.3 算法总体设计

3.4.1 初始值获取

3.4.2 目标脚点与摄像头距离计算

3.4.3 目标头点到摄像头的距离及目标真实高度计算

3.4.4 目标各个关节点到摄像头的距离

3.5 本章实验与分析

3.5.1 实验细则与结果

3.5.2 实验误差分析

3.6 本章小结

第四章 基于时空关系的骨架动作识别模型

4.1 引言

4.2 基于时空关系的骨架动作识别网络模型

4.2.1 局部时空卷积神经网络

4.2.2 基于时间片段选择的长短时记忆网络

4.2.3 基于可变池化的特征压缩方法

4.3 本章实验与分析

4.3.1 实验细则

4.3.2 实验结果

4.3.3 异常行为数据分析

4.3.4 模型分析

4.4 本章小结

第五章 异常行为检测应用系统

5.1 引言

5.2 系统功能设计

5.2.1 数据获取模块功能设计

5.2.2 算法模块功能设计

5.2.3 web端系统模块功能设计

5.3 系统具体实现

5.4.1 登入模块展示

5.4.2 主界面模块展示

5.4.3 报警界面模块展示

5.4.4 系统参数配置模块展示

5.4.5 算法参数配置模块展示

5.4.6 时间参数配置模块展示

5.5 本章小结

第六章 全文总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献