基于视频的轨迹分析技术及在目标异常行为检测中的应用研究

摘要

视频监控系统使用摄像机采集视频，通过视频图像监控场景中潜在的恶意活动。随着技术的进步，现代社会对视频监控系统的需求量不断增加，需要监控的区域不断扩大，要求具备的功能越来越多。对于视频这种海量数据，用户关注的只是某些很少发生的事件:即非正常事件，视频监控从事后取证进化到主动防范和监测才能体现其应用价值。
　　智能视频监控系统利用计算机对视频数据进行分析，通常通过目标检测和跟踪、路径提取和事件检测等步骤检测异常事件，从而实现自动警示。论文针对视频监控主要的两类对象:行人和车辆，以自动检测上述两类对象的异常行为为研究目标，对智能视频分析相关的技术展开研究。第二章在对现有的运动目标跟踪技术进行综合研究的基础上，对传统的Mean Shift算法进行了改进，将自适应特征提取与Mean Shift算法相结合，以解决传统算法所存在的对遮挡和光照变化敏感等问题。第三章对路径提取技术进行了研究，包括轨迹提取及预处理、聚类、路径建模三个方面内容，本文采用多项式拟合方法对轨迹进行预处理，接着采用基于层次聚类的K-means算法进行聚类，改善了传统K-means算法存在的初始聚类点选取困难的问题，使得聚类结果更加有效。第四章对异常事件检测进行了研究，检测的过程是一个比较判断的过程，通过训练学习可以得到目标的正常行为模式，在后续的检测步骤，通过待检测模式和正常模式的比较可以判断目标行为是否异常。进一步地，介绍了基于本文所研究算法的智能视频监控系统，该系统针对行人和车辆，主要功能包括:逆行、异常停止、徘徊等。

目录

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 运动目标跟踪技术

1．2．2 路径建模技术

1．2．3 事件检测技术

1．3 论文的结构安排

第2章 基于自适应特征的Mean Shift跟踪

2．1 监控视频的目标检测技术

2．1．1 光流法

2．1．2 帧差法

2．1．3 背景减除法

2．2 基于特征的目标跟踪算法

2．2．1 目标跟踪算法概述

2．2．2 特征提取

2．2．3 特征匹配

2．3 基于自适应特征提取的Mean Shift跟踪

2．3．1 自适应特征提取方法

2．3．2 Mean Shift算法理论

2．3．3 基于自适应特征提取的Mean Shift跟踪算法

2．4 性能分析

2．5 本章小结

第3章 基于改进K-means聚类的路径提取

3．1 运动目标的轨迹提取及预处理

3．1．1 目标轨迹的表示

3．1．2 目标轨迹预处理

3．2 轨迹聚类

3．2．1 相似性度量

3．2．2 改进的K-means聚类算法

3．2．3 聚类有效性

3．3 场景路径建模

3．3．1 路径提取

3．3．2 路径建模

3．4 实验分析

3．4．1 目标轨迹预处理

3．4．2 轨迹聚类和路径提取

3．5 本章小结

第4章 基于轨迹分析技术的行人和车辆异常事件检测系统

4．1 轨迹分析在针对行人和车辆的异常事件检测中的应用

4．2 基于轨迹分析技术的行人和车辆异常行为检测系统

4．3 数据采集及平台介绍

4．4 异常事件检测

4．4．1 逆行

4．4．2 异常停止

4．5 实验分析

4．5．1 系统界面

4．5．2 逆行检测

4．5．3 异常停止检测

4．6 本章小结

第5章 总结与展望

5．1 本文工作总结

5．2 未来工作展望

参考文献

附录1 攻读硕士期间参加的科研项目

致谢

声明