視頻監(jiān)控中人群密度估計和人群異常行為識別.pdf

1、隨著圖像處理、模式識別、人工智能等技術(shù)的飛速發(fā)展，視頻智能監(jiān)控也由理論研究逐漸轉(zhuǎn)向了廣泛應(yīng)用階段。因此，智能視頻監(jiān)控技術(shù)作為改善傳統(tǒng)監(jiān)控系統(tǒng)的核心技術(shù)得到了越來越多學(xué)者的密切關(guān)注。而作為智能視頻監(jiān)控巨大挑戰(zhàn)之一的人群分析包括人群密度估計和人群行為識別也成為各大研究者的研究目標(biāo)。
　　本文搜集并查閱了人群理解相關(guān)的最新研究理論，對其涉及的一些相關(guān)知識如標(biāo)簽分布學(xué)習(xí)、多標(biāo)簽學(xué)習(xí)、人群密度估計、人群行為識別等進(jìn)行了較深入的研究，主要研究

2、內(nèi)容包括：
　　1、介紹了多標(biāo)簽學(xué)習(xí)和標(biāo)簽分布學(xué)習(xí)算法的基礎(chǔ)理論知識。將多標(biāo)簽學(xué)習(xí)分為兩類問題轉(zhuǎn)化法和算法適應(yīng)法，并分別對其進(jìn)行了簡單論述。針對傳統(tǒng)的基于監(jiān)督學(xué)習(xí)的多標(biāo)簽學(xué)習(xí)算法為了獲得準(zhǔn)確的標(biāo)簽分類模型要求有充足訓(xùn)練樣本的缺陷，引出了直推式多標(biāo)簽學(xué)習(xí)算法。并分析了直推式多標(biāo)簽學(xué)習(xí)相比其他多標(biāo)簽學(xué)習(xí)算法的優(yōu)越性。標(biāo)簽分布是由每個標(biāo)簽對圖像的描述程度組成，它認(rèn)為每一張圖像都與一個標(biāo)簽分布相對應(yīng)，標(biāo)簽分布學(xué)習(xí)在學(xué)習(xí)過程中考慮到了所有可

3、能的標(biāo)簽，使得分類器泛化能力增強(qiáng)。
　　2、提出一種基于標(biāo)簽分布學(xué)習(xí)的人群密度估計算法。本文為每一幀人群圖像分配一個概率分布，來代表人數(shù)標(biāo)簽對圖像的描述程度。首先將人群圖像像素進(jìn)行透視歸一化匹配，并通過人群分割算法分割出視頻中的人群，提取人群圖像中的低水平特征包括分割特征、紋理特征、邊緣特征；然后采用條件概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來訓(xùn)練人數(shù)標(biāo)簽分布模型，最后輸入測試圖像到標(biāo)簽分布模型后即可獲得圖像中的人數(shù)。除了通過人數(shù)誤差來評估算法的性

4、能外，我們還對比了測試樣本的預(yù)測標(biāo)簽分布和真實標(biāo)簽分布。經(jīng)實驗驗證，在人群數(shù)據(jù)集UCSD上本文的算法的確表現(xiàn)了很好的效果。
　　3、提出兩種人群異常行為識別算法。本文將人群異常行為識別看成一個多標(biāo)簽分類問題，對每個行為序列分配一個或多個行為標(biāo)簽，通過有標(biāo)簽或者無標(biāo)簽的行為序列信息得到有效的分類模型，完成人群異常行為的識別?；谄梅植紝W(xué)習(xí)的異常行為識別算法首先通過學(xué)習(xí)不一致排序得到一個潛在的偏好分布使其能兼容多個不一致排序，然后通

5、過BFGS（Broyden Fletcher Goldfard Shann，高斯擬牛頓）標(biāo)簽分布學(xué)習(xí)算法學(xué)習(xí)這個潛在偏好分布模型，最終完成行為分類，這種方法解決了標(biāo)簽排序不一致的問題。而基于直推式多標(biāo)簽的異常行為識別算法將大量的測試集數(shù)據(jù)信息運(yùn)用于多標(biāo)簽的學(xué)習(xí)，使得算法在測試數(shù)據(jù)集上獲得較好的行為分類效果。這種處理可以大大降低了標(biāo)注的不可靠性以及其產(chǎn)生的負(fù)面影響。本文采用多標(biāo)簽性能評估矩陣對兩種異常行為識別算法進(jìn)行了實驗驗證，并與其他算