視頻群體特征感知與異常檢測(cè)研究.pdf

1、隨著城市化進(jìn)程的不斷加快和人口流動(dòng)性的增加，社會(huì)公共安全問題受到越來(lái)越多的人的重視和關(guān)注。視頻異常事件檢測(cè)作為智能視頻監(jiān)控應(yīng)用的關(guān)鍵研究課題之一，有助于犯罪、事故、恐怖襲擊等的偵測(cè)，對(duì)于維護(hù)社會(huì)公共安全有著重要的意義。本文主要從特征感知和模型異常檢測(cè)兩個(gè)方面進(jìn)行深入研究，提出了相應(yīng)的優(yōu)化算法，其具體內(nèi)容如下:
　　在群體異常事件檢測(cè)中，群體特征是群體中所有個(gè)體的社會(huì)性表現(xiàn)，而群體事件中所有個(gè)體既表現(xiàn)出一致的社會(huì)性又表現(xiàn)出相異的隨機(jī)

2、性，因此在群體特征感知過程中需要協(xié)調(diào)個(gè)體社會(huì)性與隨機(jī)性的對(duì)立。為此，本文提出一種基于復(fù)合先驗(yàn)稀疏編碼的群體特征感知算法。在稀疏編碼的基礎(chǔ)上，建立個(gè)體社會(huì)性與隨機(jī)性的統(tǒng)計(jì)表征，提出復(fù)合型稀疏先驗(yàn)描述，認(rèn)為個(gè)體行為符合社會(huì)性和隨機(jī)性組合的復(fù)合先驗(yàn)，從而有效地增強(qiáng)群體特征感知的適應(yīng)性，使其特征表示更符合當(dāng)前復(fù)雜的人群場(chǎng)景。算法通過光流特征提取，復(fù)合先驗(yàn)稀疏編碼，實(shí)現(xiàn)了高效穩(wěn)健的特征描述，并結(jié)合 iHMM(Infinite Hidden Mar

3、kov Model)統(tǒng)計(jì)模型完成群體異常事件的檢測(cè)。UMN數(shù)據(jù)集和自己構(gòu)造的模擬數(shù)據(jù)集的多個(gè)場(chǎng)景實(shí)驗(yàn)結(jié)果表明，該算法在群體異常事件檢測(cè)方面具有不錯(cuò)的檢測(cè)率和廣泛的適用性。
　　在基于統(tǒng)計(jì)模型的視頻異常檢測(cè)中，模型的復(fù)雜度決定對(duì)觀測(cè)數(shù)據(jù)的描述能力，優(yōu)化統(tǒng)計(jì)模型避免數(shù)據(jù)過擬合和欠擬合是一個(gè)非常關(guān)鍵的問題。視頻異常事件空時(shí)耦合的復(fù)雜性決定了優(yōu)化統(tǒng)計(jì)模型不僅要優(yōu)化模型的狀態(tài)維數(shù)，而且要優(yōu)化模型的結(jié)構(gòu)，因此，本文提出一種基于聯(lián)合空時(shí)模型的視

4、頻異常檢測(cè)算法。聯(lián)合空時(shí)模型基于DDP-HMM(Dependent Dirichlet Process-Hidden Markov Model)，在LDA(Latent Dirichlet Allocation)主題特征和HMM狀態(tài)之間建立無(wú)向連接，同時(shí)優(yōu)化模型狀態(tài)數(shù)目和模型結(jié)構(gòu)，增加模型描述數(shù)據(jù)的能力。整個(gè)算法主要分為模型學(xué)習(xí)和異常檢測(cè)兩個(gè)階段，由于聯(lián)合空時(shí)模型是一個(gè)環(huán)路模型，在學(xué)習(xí)階段，采用樹重加權(quán)思想，將有環(huán)圖模型轉(zhuǎn)化成iHMM-