基于时空关系特征的视频暴力事件检测算法研究

摘要

信息技术的发展、互联网的普及以及网络流量的视频化，使得网络视频数量呈现爆炸式增长，随之而来的海量视频数据内容安全性问题受到了国家政府、社会各界的广泛关注，对其进行研究具有非常重要的现实意义。暴力视频作为特殊视频的主要组成部分，如何对其进行有效表征和准确检测是本文主要的研究内容。
　　本文主要以视频短镜头为研究对象，用体现时空关系语义的光流法表征视频中的暴力信息，实现暴力内容的自动检测。主要创新点和工作内容如下:
　　1.提出了一种基于梯度图像的运动边界轨迹和超限学习机的检测方法。使用梯度方法对视频每一帧图像进行预处理，计算连续帧之间的光流场并求梯度，最后利用稠密轨迹算法提取时空动态特征，经过视觉词袋模型降维后使用超限学习机进行分类训练。在公共视频集Movies上的仿真结果表明，该检测方法相比稠密轨迹结合支持向量机的算法在暴力检测上取得了更好的结果。
　　2.提出了一种基于光流法和共生梯度方向的视频特征提取算法。使用光流法计算视频连续帧之间的光流运动场，利用共生梯度方向直方图统计光流场中相对边缘信息作为视频的时空动态特征，经过视觉词袋模型降维后使用支持向量机进行分类训练。不仅在Movies视频集上的暴力检测效果优于现有方法，在更为复杂的Hockey视频集上也取得了较好的效果，体现了较强的泛化能力。

目录

声明

致谢

摘要

1 绪论

1．1 国内外研究现状

1．2 主要研究内容与安排

1．2．1 研究思路

1．2．2 研究内容与目标

1．2．3 论文组织结构

2 视频检测模型介绍

2．1 传统模型

2．1．1 视频表征及方法

2．1．2 分类器

2．2 深度学习模型

2．3 暴力检测模型的研究

2．4 小结

3 基于稠密轨迹和超限学习机的暴力检测算法

3．1 暴力检测的算法结构

3．2 iMBH_DT特征的构建

3．2．1 帧图像的梯度预处理

3．2．2 光流场及边缘提取

3．2．3 稠密轨迹的跟踪与描述

3．3 融合词袋模型的超限学习机

3．3．1 词袋模型特征降维

3．3．2 超限学习机理论

3．3．3 iMBH_DT特征的ELM分类实现

3．4 实验结果与分析

3．5 小结

4 基于光流与共生梯度方向的暴力检测算法

4．1 基于Co-MBH的检测算法结构

4．2 运动边界共生直方图的构建

4．2．1 视频序列的运动边界

4．2．2 运动边界的梯度方向量化

4．2．3 梯度方向共生对统计

4．3 实验结果与分析

4．4 小结

5 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集