基于動(dòng)態(tài)感知與異常注意的目標(biāo)描述方法研究.pdf

1、視頻異常目標(biāo)檢測(cè)與分析的目的是快速檢測(cè)并定位場(chǎng)景中的異常，具有重要的學(xué)術(shù)研究?jī)r(jià)值與廣闊的應(yīng)用前景。該課題的難點(diǎn)在于異常的定義在不同的應(yīng)用場(chǎng)景中具有多樣性和復(fù)雜性，目前的研究主要集中在有限類(lèi)別的簡(jiǎn)單行為識(shí)別或者特定場(chǎng)景中的異常行為檢測(cè)上。
　　 人類(lèi)視覺(jué)注意機(jī)制很少被考慮用作異常識(shí)別系統(tǒng)的關(guān)鍵標(biāo)準(zhǔn)。動(dòng)態(tài)感知是一個(gè)基于視覺(jué)注意特性估計(jì)場(chǎng)景中運(yùn)動(dòng)元素速度和方向的過(guò)程，人類(lèi)視覺(jué)對(duì)動(dòng)態(tài)特征感知的優(yōu)先級(jí)要大于其他低層特征，在感知范圍內(nèi)的視覺(jué)

2、刺激被注意，在范圍之外則被忽略。動(dòng)態(tài)感知的建模為異常檢測(cè)方法提供了一種新的思路。
　　 異常檢測(cè)方法通常先建立正常行為的先驗(yàn)?zāi)０寤蚪y(tǒng)計(jì)參數(shù)模型，計(jì)算待檢測(cè)樣本與先驗(yàn)?zāi)０澹ɑ蚰Ｐ停┑牟顒e來(lái)判別異常，驚奇計(jì)算模型基于貝葉斯理論來(lái)衡量先驗(yàn)分布與后驗(yàn)分布之間的差別。
　　 有效的異常檢測(cè)算法關(guān)鍵在于提取出的特征是否具有高效的分類(lèi)性能和描述行為的最精簡(jiǎn)表示性。近期研究表明，人類(lèi)視覺(jué)系統(tǒng)具有對(duì)自然場(chǎng)景中關(guān)鍵信息的稀疏“捕獲”能力，稀

3、疏編碼模型能夠以最精簡(jiǎn)的基向量來(lái)表達(dá)場(chǎng)景中行為。
　　 針對(duì)上述問(wèn)題，本文開(kāi)展基于動(dòng)態(tài)感知模型、驚奇計(jì)算模型與稀疏編碼模型的異常目標(biāo)描述方法研究。
　　 論文的主要工作和創(chuàng)新如下:
　　 1)結(jié)合人類(lèi)視覺(jué)系統(tǒng)具有運(yùn)動(dòng)注意機(jī)制，提出一種基于動(dòng)態(tài)感知模型的異常目標(biāo)發(fā)現(xiàn)方法，采用基于DCT塊分類(lèi)的運(yùn)動(dòng)注意模型，對(duì)動(dòng)態(tài)感知區(qū)域建模得到運(yùn)動(dòng)注意塊集合，提取運(yùn)動(dòng)注意塊的HNF特征作為特征樣本，對(duì)其稀疏編碼建模生成字典。使用重

4、構(gòu)誤差作為目標(biāo)函數(shù)進(jìn)行異常目標(biāo)發(fā)現(xiàn)的判別。實(shí)驗(yàn)表明該算法是有效和實(shí)用的，且易于實(shí)現(xiàn)。
　　 2)針對(duì)視頻中異常發(fā)生時(shí)導(dǎo)致先驗(yàn)分布與后驗(yàn)分布的顯著差別，提出一種基于貝葉斯驚奇計(jì)算模型的群體異常發(fā)現(xiàn)方法，首先提取場(chǎng)景中每一幀的運(yùn)動(dòng)矢量圖，然后計(jì)算出多尺度運(yùn)動(dòng)直方圖特征，基于驚奇計(jì)算模型獲得每一幀的驚奇度，根據(jù)驚奇度的大小來(lái)判斷當(dāng)前幀中是否含有群體異常。該方法能夠發(fā)現(xiàn)特定類(lèi)別的群體異常行為（四散逃逸），實(shí)驗(yàn)結(jié)果與真實(shí)結(jié)果比較顯示了該方

5、法的有效性。
　　 3)提出一種基于貝葉斯驚奇計(jì)算模型的個(gè)體異常發(fā)現(xiàn)方法，用混合高斯模型對(duì)背景建模，檢測(cè)出前景目標(biāo)并計(jì)算其圍盒長(zhǎng)寬比，同時(shí)進(jìn)行每幀圖像的光流場(chǎng)估計(jì)，提取前景目標(biāo)的平均速度，利用二元驚奇計(jì)算模型檢測(cè)出時(shí)間上具有突然變化特征值的異常目標(biāo)。實(shí)驗(yàn)表明算法能有效檢測(cè)出奔跑、摔倒兩類(lèi)的個(gè)體異常。
　　 4)結(jié)合人類(lèi)視覺(jué)系統(tǒng)具有對(duì)自然場(chǎng)景中關(guān)鍵信息的稀疏“捕獲”能力，提出一種基于稀疏編碼模型的群體異常發(fā)現(xiàn)方法，提取每一

6、幀的多尺度運(yùn)動(dòng)直方圖，通過(guò)快速稀疏編碼算法學(xué)習(xí)字典，場(chǎng)景中的高維特征基于字典的重構(gòu)誤差超過(guò)預(yù)設(shè)閾值，則判斷為異常，實(shí)現(xiàn)幀級(jí)場(chǎng)景異常檢測(cè)，實(shí)驗(yàn)結(jié)果與真實(shí)結(jié)果比較表明本方法能夠及時(shí)對(duì)場(chǎng)景中的群體異常報(bào)警。
　　 5)提出一種基于稀疏編碼模型的異常發(fā)現(xiàn)方法，以場(chǎng)景中的時(shí)空興趣點(diǎn)作為候選檢測(cè)位置，提取正常場(chǎng)景中的HOF/HOG高維特征，通過(guò)快速稀疏編碼算法學(xué)習(xí)字典，基于字典的重構(gòu)誤差超過(guò)預(yù)設(shè)閾值則判斷為異常。實(shí)驗(yàn)表明該方法在簡(jiǎn)單場(chǎng)景中對(duì)