基于視頻的行人檢測及異常行為檢測.pdf

1、隨著計算機(jī)硬件設(shè)備的不斷升級以及人們對公共場所的安全需求不斷提升,智能視頻監(jiān)控系統(tǒng)的重要性日益凸顯。而智能視頻監(jiān)控中的兩個最基本的問題,行人檢測與異常行為分析,也逐漸成為了計算機(jī)視覺領(lǐng)域的研究熱點。本文主要的研究內(nèi)容是基于視頻的行人檢測與異常行為分析,本文分別對這重要的兩項技術(shù)提出有效的解決方案。
　　由于人體有著多變的外觀以及可能出現(xiàn)多種狀態(tài),因此,在視頻中進(jìn)行檢測行人是一項非常困難的任務(wù)。首要的困難就是怎樣提取一個魯棒的人體特

2、征集,這種特征集要求能在不同光照條件的復(fù)雜背景下,能夠消除人體各種形態(tài)的歧義。通過實驗,可以知道,用局部正規(guī)化的梯度直方圖(Histogram of Oriented Gradients, HOG)方法提取出的特征值,比用現(xiàn)存的其它特征提取方法,提取出的特征值,更加適應(yīng)視頻中行人檢測的要求。為了簡單和處理速度,本文采用線性SVM(Support Vector Machine)分類器,對訓(xùn)練樣本進(jìn)行分類。在得出初步的檢測框之后,在框中的1

3、/4以上的位置進(jìn)行頭部檢測,從而可以降低誤檢率。實驗結(jié)果表明,本文所使用的方法,能夠滿足視頻中行人檢測的實時性,魯棒性,準(zhǔn)確性的要求。
　　異常行為檢測使用到的方法主要是用時空馬爾科夫隨機(jī)場模型實現(xiàn)了視頻中的異常行為檢測。首先將視頻序列中的幀劃分成若干個區(qū)塊做為MRF模型的節(jié)點。緊接著,為了能夠求出區(qū)塊的特征描述符再對區(qū)塊進(jìn)行劃分出更小的子區(qū)域。在描述幀信息時,本文使用了光流法。統(tǒng)計出每個子區(qū)域中的光流信息,在對統(tǒng)計完的光流信息用

4、視覺詞袋做處理,最后就可以得出每個節(jié)點塊的特征描述符。最終結(jié)合視頻的時空特性,通過求解MRF模型的能量函數(shù),判斷出是否有異常行為發(fā)生。這部分使用了光流法提取出像素點的運(yùn)動方向和速度信息,對視頻中的幀序列進(jìn)行區(qū)塊劃分后,采取視覺詞袋模型進(jìn)行聚類編碼表示。有了編碼化的特征,就可以構(gòu)造出了馬爾科夫隨機(jī)場模型的節(jié)點特征描述符。這種方法并不是基于物體跟蹤的方法,因此在人群密集的場合更加有效。
　　本文將會對梯度方向直方圖特征、Lucas–K