智能监视中行人检测关键技术和异常行为研究

摘要

智能监视技术的广泛应用是为了防止异常行为的发生，而行人是这些异常行为的主要发起者。因受到衣着、光照、姿态等多方面因素的影响，行人检测是目标检测中的一个难点；同时，在目前的监视系统中行人的异常检测并未完全智能化。因此，对行人检测及其异常行为的研究就具有非常重要的理论意义和应用价值。
　　 针对给定的视频图像，本文主要研究了运动目标检测、行人检测、跟踪以及异常检测。主要工作如下：
　　 1．研究了常用的运动目标检测方法。通过实验发现在简单的场景中，使用运算简单的帧间差分法、背景差分方法检测运动目标，效果较理想。但在复杂场景中，上述的基本方法以及经典的混合高斯模型无法准确快速地检测出运动目标。
　　 2．针对复杂场景中运动目标无法准确快速提取的弊端，本文改进了经典混合高斯模型，使得改进后的模型具有更快的收敛速度、抗噪声能力更强，并且检测效果优于经典混合高斯模型。
　　 3．介绍了常用的行人特征描述子如Haar-like特征、梯度方向直方图(HOG)特征，设计了小波局部能量(WLE)分布特征来描述行人。实验表明利用小波局部能量分布特征可以用来描述行人，并且在融合HOG特征和小波局部能量特征后，行人检测的性能得到了明显的提升。
　　 4．研究了TLD跟踪算法的基本原理，并将其应用在本文定义的几种异常行为检测当中。最后设计了一种通用的异常行为检测系统的框架。
　　 实验表明，本文所研究的方法可以很好的应用在异常行为检测系统中，并且这些方法可以提高系统的检测效率。

目录

声明

中英文术语及缩写对照

摘要

第一章 绪论

1.1 课题研究背景及意义

1.2 关键技术研究现状

1.3 行人数据库

1.4 本文的主要工作和组织结构

1.5 本章小结

第二章 运动目标检测

2.1 运动目标检测的基本方法

2.1.1 帧间差分法

2.1.2 背景差分法

2.1.3 光流法

2.1.4 统计背景模型

2.1.5 改进的混合高斯模型

2.1.6 实验结果与分析

2.2 感兴趣区域的获取

2.2.1 基于区域增长技术的标记算法

2.2.2 实验结果

2.3 本章总结

第三章 行人检测关键技术

3.1 行人检测基本流程

3.2 行人特征描述子

3.2.1 Haar特征

3.2.2 HOG特征描述子

3.2.3 小波局部能量分布特征

3.2.4 多特征融合行人检测

3.2.5 实验结果与分析

3.3 常用的学习机

3.3.1 支持向量机

3.3.2 Adaboost算法

3.3.3 级联分类器

3.4 行人检测基本方法

3.4.1 滑动窗口法

3.4.2 非极大值抑制

3.4.3 性能评价方法

3.5 行人检测实验结果

3.6 本章小结

第四章 基于目标跟踪的异常行为检测

4.1 目标跟踪的分类

4.2 TLD算法

4.2.1 半监督学习

4.2.2 TLD跟踪

4.3 常见场景中异常行为检测

4.3.1 带有条件限制的警戒区域入侵异常检测

4.3.2 徘徊检测

4.3.3 逗留检测

4.3.4 目标在指定区域内晕复出现的异常检测

4.4 通用的异常行为检测系统框架

4.5 实验结果

4.6 本章小结

第五章 总结和展望

5.1 本文工作总结

5.2 未来工作展望

参考文献

致谢

读研期间参加的科研项目和发表的论文