版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、本文主要探討貝葉斯網(wǎng)絡(luò)(BayesianNetwork,BN)以及隱馬爾科夫模型(HiddenMarkovModel,HMM),在智能視頻監(jiān)控系統(tǒng)(IntelligentVideoSurveillanceSystem,IVSS)中出現(xiàn)的事件進(jìn)行檢測、建模、應(yīng)用、及對其優(yōu)化,具體指對監(jiān)控事件的檢測、針對特定監(jiān)控事件的建模方式以及本地化、與網(wǎng)絡(luò)模型相關(guān)的結(jié)構(gòu)優(yōu)化和參數(shù)優(yōu)化、以及對監(jiān)控事件檢測質(zhì)量的評價。近年,隨著網(wǎng)絡(luò)技術(shù)、集成電路技術(shù)、計算
2、機(jī)技術(shù)、嵌入式技術(shù)及計算機(jī)視覺(ComputerVision,CV)技術(shù)的進(jìn)一步發(fā)展,以及人們對降低監(jiān)控系統(tǒng)成本、提高系統(tǒng)效率、增加系統(tǒng)智能度的迫切要求下,IVSS已經(jīng)成為下一代帶的視頻監(jiān)控系統(tǒng),并逐漸引起了國內(nèi)外的廣泛關(guān)注?;贑V算法的智能圖像處理作為IVSS的重要實現(xiàn)環(huán)節(jié)更是研究的重中之重。然而,由于很多優(yōu)秀的CV算法往往需要較大的計算復(fù)雜度,而計算復(fù)雜度較低的CV算法則往往無法滿足所需要的檢測精度,導(dǎo)致很多完全基于CV算法所建立
3、起來的IVSS其實用性有待提高。隨著對BN概率統(tǒng)計模型研究、隱馬爾科夫模型等一系列突破性工作以及對認(rèn)知過程(CognitiveProcess)的發(fā)現(xiàn)和挖掘,科學(xué)家開始轉(zhuǎn)向CV算法與認(rèn)知過程融合的研究。普遍認(rèn)為,認(rèn)知過程的引入可以提高系統(tǒng)的魯棒性、提升檢測質(zhì)量、減低模型建模難度、降低系統(tǒng)優(yōu)化所需要的數(shù)據(jù)量、以及降低系統(tǒng)的計算復(fù)雜度?,F(xiàn)有的實驗事實也說明了這一點?;谡J(rèn)知過程的這些優(yōu)點,本文考慮將認(rèn)知過程引入到IVSS當(dāng)中,以提供更準(zhǔn)確、更
4、快速、更簡單的系統(tǒng)模型為目的,構(gòu)成以前景背景分割、監(jiān)控事件建模、以及模型優(yōu)化三大塊組成的IVSS。本文的具體研究內(nèi)容分為以下三個部分:首先,本文探討基于CV算法的前景背景分割方法。作為IVSS的CV算法部分,前景背景分割方法為認(rèn)知過程提供前景掩模(ForegroundMask)以及簡單的連通區(qū)域分割信息??紤]到實際IVSS當(dāng)中會大量出現(xiàn)攝像頭噪點、頻繁的背景擾動、以及光照變化等狀況,本文提出自適應(yīng)調(diào)整的高斯混合模型(AdaptiveAd
5、justedGaussianMixtureModel,AAGMM)作為前景背景分割方法,即使用高斯混合模型(GaussianMixtureModel,GMM)作為基礎(chǔ),加入對紋理(Texture)以及亮度(Intensity)特征的識別,引入訓(xùn)練像素(TrainingPixel),從而增強(qiáng)GMM對頻繁背景擾動以及快慢光照變化的魯棒性。同時,為了減輕GMM的計算復(fù)雜度,本文提出一種基于最大期望算法(ExpectationMaximizat
6、ion,EM)的在線自學(xué)習(xí)(OnlineOptimization)方案,進(jìn)而在保障檢測精度的前提下減低CV算法部分所需要的時間。其次,本文分別探討基于認(rèn)知過程的兩種監(jiān)控事件建模方法以及他們各自的模型優(yōu)化方案。從系統(tǒng)精度要求出發(fā),本文首先提出一種基于BN的監(jiān)控事件的IVSS建模方法,并將其實際運用在非法入侵(IllegalAccess,IA)事件以測試其實用性以及檢測精度。同時,考慮基于BN的建模方法其優(yōu)化過程中搜索空間過大的問題,本文摒
7、棄傳統(tǒng)EM算法優(yōu)化的方法,提出基于遺傳算法(GeneticAlgorithm,GA)的BN優(yōu)化方式,并展開討論針對實際BN模型的優(yōu)化方法。之后,考慮基于BN的建模方法其系統(tǒng)靈活性較低的問題,本文提出一種基于混合層HMM(CrossLayerHMM,CLHMM)的判決網(wǎng)絡(luò)建模方法。該方法在分層的HMM(LayeredHMM,LHMM)基礎(chǔ)上加入了跨層的事件推導(dǎo)關(guān)系,達(dá)到減少系統(tǒng)冗余、降低優(yōu)化復(fù)雜度、提升系統(tǒng)建模靈活性、減少優(yōu)化所需數(shù)據(jù)量、
8、同時保證檢測質(zhì)量的目的。最后,針對IA事件檢測,本文對基于BN以及CLHMM的兩種建模方法進(jìn)行實驗并從檢測精度、誤警率、檢測耗時、優(yōu)化耗時、魯棒性等方面評價他們的檢測效果。另外,本文對這兩種建模方法進(jìn)行了系統(tǒng)化的比較。實驗證明,基于BN以及CLHMM的兩種建模方法都可以達(dá)到和基于CV算法的IVSS相當(dāng)?shù)臋z測精度,并且能夠在實際的IVSS中達(dá)到實時處理的效果;從系統(tǒng)復(fù)雜度來看,CLHMM相對于BN有明顯的優(yōu)勢,因此更適合實際IVSS的應(yīng)用
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 面向監(jiān)控視頻應(yīng)用的事件檢測技術(shù).pdf
- 面向智能視頻監(jiān)控的高動態(tài)場景建模和修復(fù).pdf
- 面向智能視頻監(jiān)控的人臉檢測與跟蹤的研究.pdf
- 智能視頻監(jiān)控的目標(biāo)檢測優(yōu)化與跟蹤分析.pdf
- 面向智能視頻監(jiān)控的實時人臉檢測算法研究.pdf
- 面向智能視頻監(jiān)控系統(tǒng)的運動目標(biāo)檢測與跟蹤方法研究.pdf
- 面向智能視頻監(jiān)控系統(tǒng)的運動目標(biāo)檢測與異常行為分析.pdf
- 面向數(shù)字油田的智能視頻監(jiān)控系統(tǒng).pdf
- 智能視頻監(jiān)控中的背景建模算法研究.pdf
- 面向智能監(jiān)控的視頻分析技術(shù)研究.pdf
- 交通監(jiān)控視頻中的異常事件檢測.pdf
- 智能視頻監(jiān)控中群體異常事件檢測方法研究與實現(xiàn).pdf
- 監(jiān)控視頻中異常事件檢測及異常事件摘要研究.pdf
- 智能視頻監(jiān)控中的事件發(fā)現(xiàn)技術(shù)研究.pdf
- 智能視頻監(jiān)控中的快速行人檢測.pdf
- 面向智能監(jiān)控的視頻分析技術(shù)研究
- 面向視頻監(jiān)控的視頻質(zhì)量檢測系統(tǒng)的設(shè)計與開發(fā).pdf
- 視頻監(jiān)控系統(tǒng)中視頻增強(qiáng)及事件檢測關(guān)鍵技術(shù)研究.pdf
- 突發(fā)人群聚集事件智能視頻監(jiān)控.pdf
- 面向智能監(jiān)控的視頻摘要與壓縮方法研究.pdf
評論
0/150
提交評論