检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于孪生网络的监控视频异常检测方法研究

基于孪生网络的监控视频异常检测方法研究

作者：张朋举北方工业大学

学位级别：硕士

随着社会维护正常公共安全需求的不断增加和智能安防技术的迅速发展,如何进行监控视频的异常检测成为了深度学习领域的热点问题,具有重大的研究意义和迫切的实际应用需求。在基于深度学习的异常检测任务中,模型的内存开销和提取时空特... 详细信息

随着社会维护正常公共安全需求的不断增加和智能安防技术的迅速发展,如何进行监控视频的异常检测成为了深度学习领域的热点问题,具有重大的研究意义和迫切的实际应用需求。在基于深度学习的异常检测任务中,模型的内存开销和提取时空特征的能力都会直接影响检测效果。本文选择贴近实际检测场景的孪生网络算法作为视频异常检测的基本框架,其采用的视频特征提取网络模型为传统三维卷积神经网络(3d convolutional Neural Network,c3d)。针对传统c3d网络内存开销大和时空特征提取效果差的问题,本文提出了一种三维多分支卷积融合网络(3d Multi-Branch convolutional Fusion Network,MBF3d)。该网络通过多分支结构的设计不仅大幅降低了传统c3d的网络参数开销,还可以对输入的时空特征进行不同角度的理解学习从而提高提取时空特征的能力。为了解决无用特征对模型训练造成干扰的问题中,本文提出了一种简单高效的三维注意力模块(3d Attention Module,AM3d)来突出关键特征并抑制无用特征。本文将MBF3d网络和AM3d进行结合作为局部时空特征提取网络,并使用双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)网络来进一步完成对输入视频中全局时序信息的提取。最后,以局部和全局网络构成的时空特征提取模型为基础,本文开发了监控视频异常检测系统来帮助执法人员完成异常检测。本文的主要贡献如下:1.针对传统c3d网络参数开销巨大和提取特征能力较差的问题,本文提出了MBF3d网络。该网络不仅可以显著降低模型参数开销,还可以从多个角度对输入特征进行理解学习来提高特征提取的能力。与常用的三维卷积神经网络在主流视频数据集上进行行为识别分类任务对比,实验准确率均为最高。2.针对无用特征会对模型训练造成干扰的问题,本文提出了AM3d来抑制无用特征,凸显重要特征。该注意力模块可以把注意力依次集中到关键通道和时空特征区域。在主流三维卷积神经网络中添加该注意力模块可以明显改善网络的特征提取效果。3.本文基于提出的模型开发了监控视频异常检测系统,实验结果表明该系统在实际场景中能够快速准确检测到待测视频中的异常行为。

关键词：深度学习异常检测 c3d网络注意力模块异常检测系统

视频监控下利用改进型c3d-RF的人群异常行为检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

光学技术 2021年第2期47卷 187-195页

作者：张娓娓陈绥阳陈锐西安思源学院电子信息工程学院陕西西安710038 西安交通大学理学院陕西西安710049 郑州轻工业大学软件学院河南郑州450002

传统基于卷积神经网络(cNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征,故无法准确捕捉视频流在时序上的动态特征。为此,提出一种基于改进c3d网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的c3d... 详细信息

传统基于卷积神经网络(cNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征,故无法准确捕捉视频流在时序上的动态特征。为此,提出一种基于改进c3d网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的c3d网络进行视频流梯度方向直方图(HOG)特征提取,并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作,并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明,所提出的改进c3d-RF方案对人群异常行为的检测准确率保持在90%以上,且与传统c3d网络、支持向量数据描述模型(SVdd)、编码深度卷积神经网络(cAE)等方法相比,其训练时间缩短了15.34%以上。

关键词：信息光学异常行为检测 c3d网络随机森林视频监控时空特征提取

基于压缩感知视觉隐私保护框架下的视频行为识别

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于压缩感知视觉隐私保护框架下的视频行为识别

作者：章儒学南京邮电大学

学位级别：硕士

在计算机视觉研究领域中,包含复杂语义信息的视频行为识别一直是一个具有十分挑战性的研究课题。对于视频行为识别,目前主流的深层神经网络已取得了显著性的进展。然而,随着计算机与互联网技术给人们生活带来方便的同时通过其对信息进... 详细信息

在计算机视觉研究领域中,包含复杂语义信息的视频行为识别一直是一个具有十分挑战性的研究课题。对于视频行为识别,目前主流的深层神经网络已取得了显著性的进展。然而,随着计算机与互联网技术给人们生活带来方便的同时通过其对信息进行实时的获取与分析使得人们的隐私受到了一定程度的威胁,其中以视频和图像中的个人隐私信息为主。其次,对于某些特殊的应用场合(如居家环境)人们也希望监控的视频内容能够保密,以免被泄露造成不必要的损失。然而,现有的一些视频行为识别框架可能无法很好地在隐私保护和识别精度之间达到权衡。因此,针对视觉隐私保护的视频行为识别的研究具有重要意义与应用价值。为了解决视觉隐私保护下的视频行为识别问题,同时考虑到系统运行的实时性问题,本文研究的初衷是希望在视觉隐私保护、识别精度和运行效率三者之间能够取得平衡,设计出一种具有隐私保护优势的高效精确的视频行为识别监控系统。因此,本文提出了一种基于压缩感知(compressed Sensing,cS)视觉隐私保护框架下的视频行为识别的方法,其主要包含以下三个关键步骤。(1)视觉屏蔽cS(Visual Shielding cS,VScS)编码。本文首先利用cS理论的优势,针对于隐私保护问题从而提出了VScS的方法,对视频行为进行多层的cS降维处理,使得处理的数据量大大降低的同时也实现了视觉屏蔽。此时肉眼已无法辨识视频内容,达到了隐私保护的效果。其次,为了提高后续的识别效果,通过一系列的实验选择了适合本文需求的观测矩阵和降维层数。(2)VScS态视频行为序列表征。为了提高系统运行的效率,本文利用3d卷积神经网络(convolutional 3d,c3d)模型的速度优势对压缩态下的视频行为特征进行高效表征。由于输入的是VScS态视频,因此本文首先对输入视频进行了预处理,其次对于现有的c3d结构进行了细微改变并将改进后的模型进行了重新训练,最后利用主成分分析技术对提取的特征向量进行降维处理,以降低系统运行的时间复杂度。(3)VScS态Ad SRc视频行为识别。对于输入的具有视觉隐私保护的VScS态视频,为了提高识别性能,本文利用了基于稀疏表示的分类器(Sparse Representation based classification,SRc)对于视觉降质的人脸图像的鲁棒性优势以及Ada Boost集成分类的思想,将二者进行有效结合,提出了新的识别算法Ad SRc。该算法弥补了SRc对于复杂场景下识别的缺陷,为了验证所提算法的有效性,在三个常见的主流视频行为数据集进行了实验。结果表明,所提方法在视频行为识别中具有很强的鲁棒性,并且具有视觉隐私保护的优势。

关键词：行为识别视觉隐私保护压缩感知 c3d网络 SRc AdaBoost

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于视频的人体行为识别的研究

基于视频的人体行为识别的研究

作者：艾诗卉武汉工程大学

学位级别：硕士

互联网技术日趋成熟,使得其在信息处理方面的应用愈加广泛。信息表现形式有多种,其中视频以信息量大、可视性好的优势成为当前信息的主要载体。通过分析和识别视频中的人体行为识别,进而实现人机智能交互、视频智能监控和医疗检测等功能... 详细信息

互联网技术日趋成熟,使得其在信息处理方面的应用愈加广泛。信息表现形式有多种,其中视频以信息量大、可视性好的优势成为当前信息的主要载体。通过分析和识别视频中的人体行为识别,进而实现人机智能交互、视频智能监控和医疗检测等功能,使其成为目前计算机视觉中的重要研究方向。但现实场景中的人体的行为是良莠不齐的,受不同的视角、杂乱的场景和模糊拍摄等客观因素的影响和人体行为高度复杂性以及多变性等主观因素的影响,准确的识别和分析真实场景中的人体行为仍然是一个具有挑战性的问题。因此,如何有效的提高视频的人体行为的识别率已经成为该领域研究的热点方向。因为有效的特征能够高效的表征人体当前行为,所以研究出一种先进的行为识别算法就有着至关重要的作用。本文针对基于视频的人体行为识别这一研究方向,在传统的方法和深度学习的方法上进行本文课题的相关研究和探索。本文主要的研究工作有:(1)基于随机投影和GMM-FV混合模型的改进型密集轨迹的人体行为识别本文引进了一种先进的矢量方法,即在使用改进型密集轨迹方算法(IdT)提取特征时,将其GMM-FV混合编码模型与随机投影相结合。首先通过移动边界采样的方法减少不必要的轨迹进而剔除冗余的轨迹特征,然后利用随机投影降维方法将提取到的高维底层特征描述子进行第一次降维,使用GMM-FV方法将底层特征进行聚类编码使之成为分类能力强的特征编码向量,同时为了降低计算复杂度再次使用随机投影降维方法对特征编码向量进行二次降维。实验结果分析表明,该方法不仅在一定程度上提升了视频人体行为识别的精度,同时也在一定程度上降低了计算复杂度和减少存储空间的开销。(2)基于c3d网络的多深度特征融合的视频的人体行为识别提取高效全面的行为特征是行为识别的关键所在。传统单一的行为特征往往只涉及到部分的行为数据,一些可以表征行为的信息被舍弃,从而导致了行为识别的精度受到一定的影响。因此本文提出了一种基于c3d网络的多深度特征融合的视频的行为识别的方法,在将c3d网络作为特征提取器提取RGB深度特征的基础上,同时提取了可以更好表征人体运动信息的光流深度特征,将这两种深度特征通过加权融合后构成最终的行为特征向量。最后使用libSVM分类器进行训练分类。实验结果表明,本文改进的方法较之传统的3d卷积网络更能有效的提高行为识别的精确度。(3)基于LRcN网络结构的视频的人体行为识别为了进一步研究视频的人体行为识别,本文评估了基于长效递归卷积网络(LRcN)的人体行为识别。LRcN模型结合了卷积层不仅能偶能够处理变长的输入序列也能够支持变长的输出并生成完整的语句描述,从而捕获时间序列上的信息。实验结果表明,尽管LRcN模型在处理变长的输入序列上有其优势,但是最后的分类准确率却是没有3d卷积网络好。

关键词：人体行为识别改进型密集轨迹 c3d网络 Flownet2.0网络模型随机投影 libSVM LRcN网络

基于深度学习的视频监控异常行为识别系统的设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的视频监控异常行为识别系统的设计与实现

作者：包纯华中科技大学

学位级别：硕士

近年来,随着视频技术的发展和高清设备在越来越多领域的普遍使用,基于此的行为识别技术特别是异常行为识别也有了更广阔的发展空间,在特殊工程场景中,一个有效的异常行为的检测系统能够大大节省资源,做到防患于未然。本课题来源某电力... 详细信息

近年来,随着视频技术的发展和高清设备在越来越多领域的普遍使用,基于此的行为识别技术特别是异常行为识别也有了更广阔的发展空间,在特殊工程场景中,一个有效的异常行为的检测系统能够大大节省资源,做到防患于未然。本课题来源某电力公司的变电站异常行为的监测项目,根据监控视频,跟踪并识别变电站里面的工人和行人是否有抽烟和打电话行为,一旦发现及时发出告警信息并制止,防止事故的发生。首先对行为识别技术的国内外现状进行了介绍和对比。分析了几种主流的目标检测的算法以及各自的优缺点,Faster-R-cNN中的RPN对提取行人的候选区域非常有效,因此选择该方法对视频帧进行预处理;同时由于工程场景特殊性,需要对视频中的行人跟踪处理,选择基于卡尔曼滤波方程的多目标跟踪方法应用在本系统中;为了判断检测到的行人是否有打电话或抽烟的异常行为发生,需要对行人的动作进行识别分类,对比研究了HOG+SVM和TSN的双流卷积方法,决定采用深度学习的方法进行特征提取和分类,针对抽烟行为最终选择了c3d网络作为分类训练的基础网络,同时引入RPN生成候选区域的机制,构建的R-c3d共享网络参数的网络模型,实现端到端的检测;针对打电话行为,确定了Res Net网络作为分类训练网络。用系统中目标检测的方法,处理了大约2.7万张包含三种动作分类的数据集,通过tensorflow训练得到了一个异常行为识别模型,实现对打电话和抽烟行为分类的系统。录制采集不同场景和复杂程度的视频对本系统进行测试,结果表明,行人检测准确率达到98%以上;行人跟踪在多目标的复杂场景下准确率大约85%;异常行为识别的准确率最后能达到84%左右;处理速度方面,基本满足实时性的需求,可以在实际工程中使用。

关键词：行为识别深度学习目标检测目标跟踪 c3d网络 ResNet网络