場(chǎng)景分類與道路場(chǎng)景異常識(shí)別算法研究.pdf

1、作為模式識(shí)別的一個(gè)重要分支，場(chǎng)景理解一直備受國(guó)內(nèi)外研究人員的廣泛關(guān)注。目前，學(xué)術(shù)界的研究對(duì)象主要集中于正常場(chǎng)景圖像，對(duì)場(chǎng)景異常識(shí)別方面的研究比較少。然而，在現(xiàn)實(shí)生活中，往往是場(chǎng)景中出現(xiàn)的異?，F(xiàn)象會(huì)對(duì)人類的活動(dòng)產(chǎn)生不利的影響甚至對(duì)公共安全構(gòu)成潛在的威脅，故場(chǎng)景分類預(yù)測(cè)和異常場(chǎng)景識(shí)別均有研究?jī)r(jià)值。
　　本文分別對(duì)場(chǎng)景理解中的目標(biāo)識(shí)別和場(chǎng)景分類進(jìn)行探討分析，在改進(jìn)既有的分類算法和識(shí)別算法同時(shí)，對(duì)給定的道路場(chǎng)景的異常區(qū)域進(jìn)行識(shí)別，主要工作

2、如下:
　　改進(jìn)了基于深度學(xué)習(xí)的場(chǎng)景分類算法。使用深度學(xué)習(xí)提取場(chǎng)景圖像的代表性特征，結(jié)合交叉驗(yàn)證的思想對(duì)訓(xùn)練集進(jìn)行分離重組，并以此訓(xùn)練多個(gè)SVM分類器，然后通過設(shè)計(jì)投票機(jī)制，訓(xùn)練多級(jí)SVM分類器對(duì)輸入場(chǎng)景進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)表明，該方法具有很高的分類精度。
　　給出了一種基于SIFT-Flow的異常場(chǎng)景圖像檢測(cè)算法。在給定的場(chǎng)景中，可能出現(xiàn)的物體的范圍存在一定的界限。當(dāng)場(chǎng)景中出現(xiàn)正常范圍之外的物體時(shí)，便定義場(chǎng)景中發(fā)生了異常。為了更

3、加有效地檢測(cè)場(chǎng)景中的物體，本文提出利用改進(jìn)后的SIFT-Flow算法對(duì)圖像的局部特征進(jìn)行描述。通過利用已標(biāo)注的圖像對(duì)SVM分類器進(jìn)行訓(xùn)練，最終實(shí)現(xiàn)對(duì)輸入場(chǎng)景圖片的異常檢測(cè)。實(shí)驗(yàn)表明，SIFT-Flow算法不僅能實(shí)現(xiàn)對(duì)相近場(chǎng)景的分類預(yù)測(cè)，還可以有效地識(shí)別異常場(chǎng)景，而且具有很高的識(shí)別率。
　　應(yīng)用Selective Search算法對(duì)場(chǎng)景中的異常區(qū)域進(jìn)行分割。通過對(duì)場(chǎng)景中的感興趣區(qū)域進(jìn)行分割，利用各窗口的特征訓(xùn)練異常檢測(cè)分類器，最終實(shí)