資源描述：
《基于視頻的行人檢測(cè)及異常行為檢測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、隨著計(jì)算機(jī)硬件設(shè)備的不斷升級(jí)以及人們對(duì)公共場(chǎng)所的安全需求不斷提升，智能視頻監(jiān)控系統(tǒng)的重要性H益凸顯。而智能視頻監(jiān)控中的兩個(gè)最基本的問(wèn)題，行人檢測(cè)與異常行為分析，也逐漸成為了計(jì)算機(jī)視覺(jué)領(lǐng)域的硏究熱點(diǎn)。木文主要的研究?jī)?nèi)容是基于視頻的行人檢測(cè)與異常行為分析，本文分別對(duì)這重要的兩項(xiàng)技術(shù)提出有效的解決方案。由于人體有著多變的外觀以及可能出現(xiàn)多種狀態(tài)，因此，在視頻中進(jìn)行檢測(cè)行人是一項(xiàng)非常困難的任務(wù)。首要的困難就是怎樣提取一個(gè)魯棒的人體特征集，這種特征集要求能在不同光照條件的復(fù)雜背景下，能夠消除人體各種形態(tài)的歧義。通過(guò)實(shí)驗(yàn)，可以知道，用局部正規(guī)化的梯度直方圖(Hi
2、stogramofOrientedGradients,HOG)方法提取出的特征值，比用現(xiàn)存的其它特征提取方法，提取出的特征值，更加適應(yīng)視頻中行人檢測(cè)的要求。為了簡(jiǎn)單和處理速度，本文采用線性SVM(SupportVectorMachine)分類器，對(duì)訓(xùn)練樣本進(jìn)行分類。在得出初步的檢測(cè)框之后，在框屮的1/4以上的位置進(jìn)行頭部檢測(cè)，從而可以降低誤檢率。實(shí)驗(yàn)結(jié)果表明，本文所使用的方法，能夠滿足視頻中行人檢測(cè)的實(shí)時(shí)性，魯棒性，準(zhǔn)確性的要求。異常行為檢測(cè)使用到的方法主要是用時(shí)空馬爾科夫隨機(jī)場(chǎng)模型實(shí)現(xiàn)了視頻中的異常行為檢測(cè)。首先將視頻序列中的幀劃分成若干個(gè)區(qū)塊做為
3、MRF模型的節(jié)點(diǎn)。緊接著，為了能夠求出區(qū)塊的特征描述符再對(duì)區(qū)塊進(jìn)行劃分出更小的子區(qū)域。在描述幀信息時(shí)，本文使用了光流法。統(tǒng)計(jì)出每個(gè)子區(qū)域中的光流信息，在對(duì)統(tǒng)計(jì)完的光流信息用視覺(jué)詞袋做處理，最后就可以得出每個(gè)節(jié)點(diǎn)塊的特征描述符。最終結(jié)合視頻的時(shí)空特性，通過(guò)求解MRF模型的能量函數(shù)，判斷出是否有異常行為發(fā)生。這部分使用了光流法提取出像素點(diǎn)的運(yùn)動(dòng)方向和速度信息，對(duì)視頻中的幀序列進(jìn)行區(qū)塊劃分后，采取視覺(jué)詞袋模型進(jìn)行聚類編碼表示。有了編碼化的特征，就可以構(gòu)造出了馬爾科夫隨機(jī)場(chǎng)模型的節(jié)點(diǎn)特征描述符。這種方法并不是基于物體跟蹤的方法，因此在人群密集的場(chǎng)合更加有效。
4、木文將會(huì)對(duì)梯度方向肓方圖特征＞Lucas-Kanade光流法、視覺(jué)詞袋的建立、時(shí)空馬爾科夫隨機(jī)場(chǎng)模型等方法進(jìn)行介紹。通過(guò)實(shí)驗(yàn)表明，本文所使用的方法能夠有效的在多場(chǎng)景中完成行人檢測(cè)與界常行為分析的任務(wù)。關(guān)鍵詞:HOG；行人檢測(cè)；光流法；視覺(jué)詞袋；MRF；異常行為AbstractWiththecontinuousimprovementofcomputertechnologyandthesecurityneedsinmanypublicplaces,theintelligentvideosurveillancesystemismoreandmoreimpo
5、rtant.Andthetwoofbasicproblemsoftheintelligentvideosurveillancesystem,pedestriandetectionandabnonnalbehavioranalysis,havegraduallybecomeahotresearchfieldofcomputervision.Themaincontentofthispaperisvideo-basedpedestriandetectionandabnonnalbehavioranalysis.Sincethehumanbodyhasava
6、riedappearance,andmayoccurforavarietyofstate,therefore,detectpedestriansisaverydifficulttaskinthevideo.Theprimarydifficultyishowtoextractarobustfeaturesetofthehumanbody,thisfeaturesetshouldeliminatethevariousformsofambiguityinthecomplexlightingconditions.Byexperiments,showingth
7、atlocallynormalizedHistogramofOrientedGradientisbetterthanotherexistingfeatureextractionalgorithms.Forthesakeofsimplicityandprocessingspeed,linearSVMclassifierisusedinthispaper.Theexperimentalresultsshowthatthismethodcanguaranteetherequirementsofreal-time,robustness,accuracyinp
8、edestriandetection.Inthispaper,space-timeMarkovrandomf
