視頻監(jiān)控中運(yùn)動(dòng)對(duì)象提取與海量對(duì)象快速檢索.pdf

1、隨著技術(shù)的發(fā)展以及公共安全面臨的嚴(yán)峻挑戰(zhàn)，中國(guó)近年來(lái)大規(guī)模開展“平安城市”工程建設(shè)，視頻監(jiān)控已經(jīng)在社會(huì)中得到非常廣泛地應(yīng)用，并成為主要的安全監(jiān)控手段和方法。而在智能監(jiān)控領(lǐng)域中，對(duì)海量監(jiān)控視頻進(jìn)行有效地分析處理成為亟待研究的熱點(diǎn)問(wèn)題。在智能視頻監(jiān)控處理中存在的一些主要問(wèn)題包括:(1)視頻監(jiān)控中從復(fù)雜場(chǎng)景中提取運(yùn)動(dòng)對(duì)象;(2)視頻監(jiān)控中對(duì)于特定事件進(jìn)行智能分析;(3)視頻監(jiān)控中海量對(duì)象的快速檢索。
　　針對(duì)這些問(wèn)題，本文進(jìn)行了相關(guān)研究

2、，主要研究工作和創(chuàng)新點(diǎn)如下:
　　1)提出了一種基于局部頻域特征的魯棒運(yùn)動(dòng)對(duì)象提取方法
　　視頻監(jiān)控中人們最感興趣的往往是那些運(yùn)動(dòng)的對(duì)象，然而場(chǎng)景中的噪聲以及動(dòng)態(tài)背景等會(huì)對(duì)提取結(jié)果產(chǎn)生很大的影響。為此，本文提出了一種基于局部頻域特征的魯棒運(yùn)動(dòng)對(duì)象提取方法。該方法首先從視頻幀圖像中提取像素級(jí)的局部頻域特征，并通過(guò)非參數(shù)建模方法構(gòu)建實(shí)時(shí)更新的背景模型，最后實(shí)驗(yàn)表明，本文的方法與現(xiàn)有的一些算法相比能夠在動(dòng)態(tài)背景以及光照變化的場(chǎng)景中

3、取得更好的效果并且平均F值提升了5.46％。
　　2)提出了一種基于歸一化運(yùn)動(dòng)能量圖的運(yùn)動(dòng)對(duì)象摔倒事件檢測(cè)方法
　　針對(duì)視頻監(jiān)控中需要針對(duì)特定事件監(jiān)測(cè)的場(chǎng)景，本文提出了一種基于視頻分析的運(yùn)動(dòng)對(duì)象摔倒事件檢測(cè)方法。該方法首先使用上述運(yùn)動(dòng)對(duì)象提取方法從視頻中提取出人體輪廓，通過(guò)使用橢圓擬合輪廓并產(chǎn)生歸一化運(yùn)動(dòng)能量圖，然后根據(jù)從中提取的運(yùn)動(dòng)特征使用多類別SVM對(duì)摔倒過(guò)程的不同階段進(jìn)行分類，最后基于一個(gè)語(yǔ)法校驗(yàn)?zāi)Ｐ瓦M(jìn)一步檢測(cè)得到摔倒

4、事件。實(shí)驗(yàn)結(jié)果表明，相較于現(xiàn)有的一些方法本文方法對(duì)于摔倒檢測(cè)的靈敏度達(dá)到了95.2％。
　　3)提出了一種支持多種特征融合的海量對(duì)象哈希檢索方法
　　針對(duì)傳統(tǒng)哈希檢索由于僅僅支持單種特征而存在特征描述不夠充分的問(wèn)題，本文研究并提出了一種支持多特征融合的海量對(duì)象哈希檢索方法。該方法將多種特征利用核技巧映射到一個(gè)非線性組合的核空間中，然后在標(biāo)注好的訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)得到各個(gè)對(duì)象對(duì)應(yīng)的哈希碼，最后學(xué)習(xí)一個(gè)基于非線性組合核空間中超平面

5、投影的哈希函數(shù)?；赮outube Faces數(shù)據(jù)集和從互聯(lián)網(wǎng)爬取的人臉圖像集的實(shí)驗(yàn)表明，本文方法相較于現(xiàn)有的一些方法檢索準(zhǔn)確率最高可以提升7.6％，并且使用多特征融合的哈希結(jié)果優(yōu)于僅僅使用單個(gè)特征時(shí)的結(jié)果。
　　4)提出了一種基于深度學(xué)習(xí)的海量對(duì)象哈希檢索方法
　　針對(duì)在哈希學(xué)習(xí)中所提取的低層特征與高層語(yǔ)義之間存在很大的差異——即“語(yǔ)義鴻溝”問(wèn)題，本文提出了一種基于深度學(xué)習(xí)的語(yǔ)義相似哈希檢索方案。該方案包括兩種方法:基于層

6、疊RBM的語(yǔ)義相似哈希學(xué)習(xí)方法(Deep Hash，即DH)和基于CNN的語(yǔ)義感知哈希學(xué)習(xí)方法（Deep Perceptual Hash，即DPH）。(1) DH方法:從傳統(tǒng)哈希學(xué)習(xí)的目標(biāo)出發(fā)提出新的目標(biāo)函數(shù)以及正則化項(xiàng)，并引入了層疊RBM構(gòu)建深層哈希學(xué)習(xí)模型;(2)DPH方法:基于DH方法的思想，使用CNN直接從圖像學(xué)習(xí)得到哈希碼，同時(shí)引入了正交約束下的學(xué)習(xí)方法，保證所得哈希碼的緊湊性。在CIFAR10數(shù)據(jù)集上的實(shí)驗(yàn)表明，本文提出的基