基于异常行为辨识的智能监控技术研究

论文摘要

随着上世纪末开始的信息技术高速发展,并受本世纪初西方国家的一系列恐怖袭击事件的影响,视频监控技术得到了迅速发展。在重要的公共场所,如火车站、广场、机场等,安装了越来越多的摄像头以加强安全防范和市政管理。据路透社报道,在英国约有420万个摄像头被安装在建筑物、商店、街道和火车站等地方,而且数量在不断增长。在我国,随着奥运会、世博会等大型活动的举行和“平安城市”等大型城市信息化工程的推进,摄像头数量也呈指数增长。传统监控系统有两大限制:第一,传统监控系统严重依赖人工的分析和决策。而人能有效监控摄像头的数量和时间都是有限的,传统监控系统的稳定性和可靠性存在问题。第二,传统监控系统的实时性有限,很多情况下只能用于事后取证,不能实现实时报警。因此,如何提高监控系统的智能性和实时性,是科研人员亟待解决的问题。本文从传统视频图像处理方法和人工智能方法出发,以监控场景中行人的异常行为辨识为核心任务,研究智能监控技术的关键算法和系统实现。本文的主要贡献在以下三个方面:第一,提出了实现不同情况下异常行为辨识的多种方法,并用这些方法解决了监控技术中几类常见异常行为的辨识问题。第二,将机器学习方法(主要是监督学习中的支持向量机方法)应用于智能监控系统,提高了系统的智能性和实时性。第三,设计并实现了以音频信号和多种传感器信号辅助视频信号的多模态智能视频监控系统。实验和演示系统验证了本文方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 本文研究背景
• 1.2.1 基于图像特征的方法
• 1.2.2 基于模型匹配的方法
• 1.2.3 其它研究工作
• 1.3 本文研究目标
• 1.4 本文层次结构
• 1.5 本文项目来源
• 第二章 快速标定与鲁棒背景建模
• 2.1 引言
• 2.2 快速标定
• 2.2.1 标定问题描述
• 2.2.2 三种坐标系及其关系
• 2.2.3 快速标定算法描述
• 2.2.4 算法应用示例
• 2.3 鲁棒背景建模
• 2.3.1 背景建模问题描述
• 2.3.2 像素状态的含义及计算
• 2.3.3 基于像素状态的背景建模
• 2.3.4 改进的减背景操作
• 2.3.5 实验结果
• 2.4 小结
• 第三章 基于跟踪的异常行为辨识
• 3.1 引言
• 3.2 混合跟踪算法
• 3.2.1 前景检测
• 3.2.2 人像分割
• 3.2.3 混合跟踪算法
• 3.3 出入口人数统计与异常行为辨识
• 3.3.1 双椭圆模型
• 3.3.2 实验结果
• 3.4 多人行为辨识问题
• 3.4.1 Agent 简介
• 3.4.2 多人行为辨识
• 3.4.3 实验结果
• 3.5 小结
• 第四章 基于学习的异常行为辨识
• 4.1 引言
• 4.2 支持向量机
• 4.3 基于SVM 的异常行为辨识
• 4.3.1 算法描述
• 4.3.2 行为特征的获取与学习
• 4.3.3 实验结果
• 4.4 运动约束与异常行为辨识
• 4.4.1 算法描述
• 4.4.2 光流特征获取
• 4.4.3 光流特征学习
• 4.4.4 运动约束的引入
• 4.4.5 实验结果
• 4.5 鲁棒人数估计
• 4.5.1 图像块的选择和分析
• 4.5.2 图像块学习算法
• 4.5.3 实验结果与讨论
• 4.6 小结
• 第五章 基于能量的群体异常行为辨识
• 5.1 引言
• 5.2 视频的能量描述
• 5.3 基于动态特征能量的群体异常行为辨识
• 5.3.1 动态特征
• 5.3.2 动态特征的选取
• 5.3.3 能量计算公式
• 5.3.4 能量曲线分析与群体异常行为辨识
• 5.4 基于马尔科夫随机场能量的群体异常行为辨识
• 5.4.1 马尔科夫随机场
• 5.4.2 基于马尔科夫随机场的能量描述
• 5.4.3 能量计算公式的推导
• 5.4.4 算法验证
• 5.4.5 能量曲线分析
• 5.4.6 群体运动状态的能量分布图
• 5.5 小结
• 第六章 多模态智能监控系统
• 6.1 引言
• 6.2 音频信号获取与异常声音辨识
• 6.2.1 声音特征提取
• 6.2.2 声音特征降维
• 6.2.3 异常声音辨识分类器
• 6.2.4 实验结果讨论
• 6.3 多种传感器信号的获取
• 6.3.1 烟雾传感器模块
• 6.3.2 振动传感器模块
• 6.3.3 信号采集模块
• 6.4 多模态智能监控系统设计与实现
• 6.4.1 系统设计背景
• 6.4.2 系统构架
• 6.4.3 仿真实验环境
• 6.4.4 仿真实验演示
• 6.5 小结
• 第七章 全文总结
• 7.1 本文研究工作总结
• 7.2 本文创新点
• 7.3 研究展望
• 参考文献
• 致谢
• 科研成果