视频中异常事件检测与特征稀疏表示研究

摘要

随着计算机技术的快速发展和视频监控技术的不断革新，智能视频监控越来越受到人们的关注。而视频异常事件检测作为智能视频监控领域中的重要组成部分，具有实时、智能、经济的特点，在公共安全保障方面具有很高的学术价值和广阔的商业前景，其主要工作是指能自动分析视频监控场景中的事件，一旦发生异常事件就能立刻发出报警信号，从而提高相关部门的应急响应速度。
　　本文主要从基本事件描述和检测模型建立这两个方面研究视频异常事件检测。具体所做的工作主要有：
　　1.结合谱聚类的优点，本文提出了一种基于谱聚类的异常事件检测方法。具体步骤是：训练阶段，首先对视频分块并提取块的光流信息，以光流信息表示块的局部特征；然后以块的局部特征作为原子构建图，采用拉普拉斯特征映射降维并采用自适应聚类方法对局部特征聚类，获得类中心作为码字；最后由码字组成码本。测试阶段，先对视频分块提取局部特征，然后计算与码本的特征距离相似度，并结合前一时刻的8-邻域信息进行事件检测。该方法只需对光流特征构成的原子集合进行聚类即可建立正常事件模型，邻域信息的引入进一步提高了异常事件检测的准确性。实验结果表明，本方法对视频监控中异常事件具有较好的检测效果。
　　2.结合视频帧内局部几何结构特征，提出了一种基于图结构正则化异常事件检测模型。该模型在训练阶段先对视频序列分块并提取块的局部特征，采用图结构稀疏编码模型获得包含正常行为特征的字典。在测试阶段，先对输入的视频序列分块并提取块的局部特征，获取局部特征关于字典稀疏表示的重构误差，以重构误差作为判断异常的标准，如果误差大于设定的阈值，则判为异常。实验结果表明，本方法能有效的检测出视频中的异常事件。
　　3.结合混合高斯模型强大的数据分类能力和稀疏表示高效的信息表达，提出了一种基于混合高斯和稀疏表示的视频异常事件检测模型。该模型在训练阶段先对视频分块并提取块的局部特征，采用高斯混合模型来描述局部特征规律，由所有单高斯中的均值组成均值矩阵，对其建立相似矩阵作为字典。在测试阶段，计算局部特征与均值矩阵的核函数值并组成核矢量，对核矢量计算稀疏表示的重构误差，将重构误差与阈值作比较，进而判断事件是否异常。实验表明，本方法对视频监控中的异常事件具有较好的检测效果。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 论文研究的背景和意义

1.2 国内外异常事件检测研究现状

1.3 论文主要工作及章节安排

第2章 异常事件检测方法概述

2.1 引言

2.2 异常事件定义

2.3 异常事件检测问题的难点

2.4 视频异常事件检测基本模型

2.5 光流特征

2.6 聚类算法研究

2.7 本章小结

第3章 基于谱聚类的异常事件检测模型

3.1 引言

3.2 基于谱聚类的异常事件检测算法研究

3.3 实验结果

3.4 本章小结

第4章 基于图结构正则化的异常事件检测模型

4.1 引言

4.2 异常事件检测方法概述

4.3 稀疏编码理论

4.4 基于图结构正则化的稀疏编码模型

4.5 实验结果

4.6 本章小结

第5章 基于混合高斯和稀疏表示的异常事件检测模型

5.1 引言

5.2 异常事件检测方法概述

5.3 混合高斯模型

5.4 生成字典

5.5 视频异常事件检测

5.6 实验结果

5.7 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

附录