监控视频场景异常检测技术研究-信号与信息处理专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 随着公共安全意识的逐渐提高，视频监控技术得到了广泛应用，其中以人群为目标的监 控视频异常检测一直是研究的难点。机器学习方法逐渐被应用到监控视频的异常检测系统中， 提高了系统的检测水平。监控视频场景异常检测作为一种公共安全和社会秩序管理技术，逐 渐成为国内外研究的热点。 本文通过分析现有监控视频中场景异常检测存在的问题，从基于视频特征信息分析和基 于人群模型两个角度进行研究，并在此基础上初步探索了基于云平台的分布式视频场景异常 检测框架。论文的主要工作如下： 首先，采用基于群体特征的异常检测方法，直接对特征信息进行分析。为了提高异常检 测的精确率，减少检测时间，提出了一种基于改进遗传算法的特征选择和 SVM 训练模型联 合优化算法。该方法提取视频的特征数据，对特征数据降维，再运用 SVM 算法建立分类学 习模型。特征选择和训练模型这两个过程互相依赖，采用 SA 改进 GA 算法，并使 GA 中的 交叉遗传操作自适应化，同时对特征选择和 SVM 模型对参数进行优化。实验表明，该方法 可以快速找到最优特征子集和 SVM 训练参数，提高了视频异常检测的精确度，同时缩短了 分类检测的时间。 其次，为了精确模拟人群的运动状态，研究了基于物理模型的人群异常检测方法，提出 了基于粒子群优化的社会力模型描述人群信息。该方法提取群体光流运动特征，用光流表示 SFM 中行人的速度，再利用 PSO 改进传统 SFM 对中高密度人群的建模，将社会力矢量处理 后进行 SVM 分类预测，检测视频中异常行为。通过粒子平流方法，使得粒子向相互作用力 较小的区域移动，粒子的位置尽可能落在前景区域，模拟人群行为。实验表明，该方法能够 有效地提高视频场景异常检测的查全率和查准率。 最后，为了处理实际应用中海量监控视频数据的异常检测问题，探索了基于 Hadoop 平 台的监控视频异常检测并行化框架。主要实现对视频数据 Map/Reduce 键值对数据类型、数据 I/O 类型和基于 Mapreduce 的 SVM 分类算法的设计。利用 Hadoop 平台的 HDFS 存储机制和 Mapreduce 编程模型对监控视频异常检测系统作了进一步的研究。实验表明，与单机节点比 较，基于 Hadoop 集群的视频异常检测方法保证了精确度的同时，大幅度高降低了视频数据 的检测时间。 关键词: 监控视频，异常检测，SVM 分类，GA，PSO，Mapreduce I Abstract With increasing awareness of public safety, the technology of video surveillance has been widely used, in which the crowd anomaly detection has been a challenge. Machine learning method was applied in video anomaly detection system to improve the efficiency of the system. Anomaly detection in surveillance video scenes is technology of public safety ,which has become a hot research at home and abroad. By analyzing the existing problems of the abnormal detection in the intelligent video surveillance system, th