視頻監(jiān)控中人群密度估計(jì)和人群異常行為識(shí)別.pdf

1、隨著圖像處理、模式識(shí)別、人工智能等技術(shù)的飛速發(fā)展，視頻智能監(jiān)控也由理論研究逐漸轉(zhuǎn)向了廣泛應(yīng)用階段。因此，智能視頻監(jiān)控技術(shù)作為改善傳統(tǒng)監(jiān)控系統(tǒng)的核心技術(shù)得到了越來越多學(xué)者的密切關(guān)注。而作為智能視頻監(jiān)控巨大挑戰(zhàn)之一的人群分析包括人群密度估計(jì)和人群行為識(shí)別也成為各大研究者的研究目標(biāo)。
　　本文搜集并查閱了人群理解相關(guān)的最新研究理論，對(duì)其涉及的一些相關(guān)知識(shí)如標(biāo)簽分布學(xué)習(xí)、多標(biāo)簽學(xué)習(xí)、人群密度估計(jì)、人群行為識(shí)別等進(jìn)行了較深入的研究，主要研究

2、內(nèi)容包括：
　　1、介紹了多標(biāo)簽學(xué)習(xí)和標(biāo)簽分布學(xué)習(xí)算法的基礎(chǔ)理論知識(shí)。將多標(biāo)簽學(xué)習(xí)分為兩類問題轉(zhuǎn)化法和算法適應(yīng)法，并分別對(duì)其進(jìn)行了簡單論述。針對(duì)傳統(tǒng)的基于監(jiān)督學(xué)習(xí)的多標(biāo)簽學(xué)習(xí)算法為了獲得準(zhǔn)確的標(biāo)簽分類模型要求有充足訓(xùn)練樣本的缺陷，引出了直推式多標(biāo)簽學(xué)習(xí)算法。并分析了直推式多標(biāo)簽學(xué)習(xí)相比其他多標(biāo)簽學(xué)習(xí)算法的優(yōu)越性。標(biāo)簽分布是由每個(gè)標(biāo)簽對(duì)圖像的描述程度組成，它認(rèn)為每一張圖像都與一個(gè)標(biāo)簽分布相對(duì)應(yīng)，標(biāo)簽分布學(xué)習(xí)在學(xué)習(xí)過程中考慮到了所有可

3、能的標(biāo)簽，使得分類器泛化能力增強(qiáng)。
　　2、提出一種基于標(biāo)簽分布學(xué)習(xí)的人群密度估計(jì)算法。本文為每一幀人群圖像分配一個(gè)概率分布，來代表人數(shù)標(biāo)簽對(duì)圖像的描述程度。首先將人群圖像像素進(jìn)行透視歸一化匹配，并通過人群分割算法分割出視頻中的人群，提取人群圖像中的低水平特征包括分割特征、紋理特征、邊緣特征；然后采用條件概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來訓(xùn)練人數(shù)標(biāo)簽分布模型，最后輸入測試圖像到標(biāo)簽分布模型后即可獲得圖像中的人數(shù)。除了通過人數(shù)誤差來評(píng)估算法的性

4、能外，我們還對(duì)比了測試樣本的預(yù)測標(biāo)簽分布和真實(shí)標(biāo)簽分布。經(jīng)實(shí)驗(yàn)驗(yàn)證，在人群數(shù)據(jù)集UCSD上本文的算法的確表現(xiàn)了很好的效果。
　　3、提出兩種人群異常行為識(shí)別算法。本文將人群異常行為識(shí)別看成一個(gè)多標(biāo)簽分類問題，對(duì)每個(gè)行為序列分配一個(gè)或多個(gè)行為標(biāo)簽，通過有標(biāo)簽或者無標(biāo)簽的行為序列信息得到有效的分類模型，完成人群異常行為的識(shí)別。基于偏好分布學(xué)習(xí)的異常行為識(shí)別算法首先通過學(xué)習(xí)不一致排序得到一個(gè)潛在的偏好分布使其能兼容多個(gè)不一致排序，然后通

5、過BFGS（Broyden Fletcher Goldfard Shann，高斯擬牛頓）標(biāo)簽分布學(xué)習(xí)算法學(xué)習(xí)這個(gè)潛在偏好分布模型，最終完成行為分類，這種方法解決了標(biāo)簽排序不一致的問題。而基于直推式多標(biāo)簽的異常行為識(shí)別算法將大量的測試集數(shù)據(jù)信息運(yùn)用于多標(biāo)簽的學(xué)習(xí)，使得算法在測試數(shù)據(jù)集上獲得較好的行為分類效果。這種處理可以大大降低了標(biāo)注的不可靠性以及其產(chǎn)生的負(fù)面影響。本文采用多標(biāo)簽性能評(píng)估矩陣對(duì)兩種異常行為識(shí)別算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，并與其他算