基于混合高斯模型和主成分分析的轨迹分析行为识别方法

针对家庭辅助生活应用场景下的目标意图识别和异常行为判别问题,提出了一种基于目标轨迹的行为分析方法.首先,提出了关键点和关键区域的概念,将家庭环境划分为不同的关键点和关键区域,并以此来描述和区分不同轨迹;然后,提出了利用混合高斯模型的关键点及关键区域获取算法,将轨迹转化为关键点及关键区域表示,并以此为基础进行了行为意图的识别和部分异常轨迹的判断;最后,借助主成分分析的方法弥补混合高斯聚类在异常轨迹识别方面的缺陷,提高了识别准确率.实验表明,该方法能够有效的对行为意图和异常行为进行识别.     

基于随机森林的车辆行为分析方法

为了实现智能交通领域异常车辆的自动识别,结合实际情况及大量的实验仿真,提出一种由目标车辆检测跟踪、车辆轨迹处理、车辆行为分析三部分组成的解决方案.首先采用改进的高斯模型背景差分算法来检测目标车辆,接着采用基于粒子滤波算法跟踪目标车辆,然后拟合跟踪轨迹以提取特征值,最后将特征样本输入随机森林算法生成分类器,对车辆行为进行分析.实验结果表明该方法能够实现对现实场景中车速过快和频繁变道两种异常行为的识别.     

一种基于运动相似熵的人群异常行为检测

实现对人群异常事件的检测是图形处理在智能视频监控领域的重要研究内容.提出了一种基于运动相似性熵(EMS)的人群异常行为检测算法.该算法在对视频图像进行光流计算的基础上,以底层光流块为基本单位获取场景运动信息,根据社会网络模型的概念,提出构建场景的运动网络模型(MNM),完成对场景粒子运动相似性的划分,并在时间域上计算MNM的粒子分布熵值EMS,最后将得到的图像熵与设置合理的阈值相比,判断异常行为是否发生.实验证明,该算法可有效检测异常行为,与其他经典检测算法相比有较大优势.     

基于行为模式的海上目标轨迹分段算法

海上目标监视系统实时获取并长期积累了大量轨迹数据,深入挖掘分析其中蕴含的目标行为特征,是提升传统的基于声光电磁特性的海上目标探测技术性能的重要途径。在轨迹聚类、轨迹预测和行为分析等数据挖掘的预处理环节中,主流的轨迹分段算法以最小化损失为分段依据,没有给分段轨迹赋予行为模式等语义内涵,限制了分段轨迹的应用范围。对此,本文提出一种基于行为模式的海上目标轨迹分段算法,通过定义七种目标行为模式,制定行为模式优先级,达到轨迹分段的目的。通过提取轨迹段的特征值,真实的保留轨迹特征,尽可能的还原轨迹。实验分析表明,本文的算法能准确合理的进行轨迹分段并真实的还原轨迹,不同的算法参数对应不同的应用场景。最终,本文对算法分段结果的应用前景进行展望。      

基于蒙特卡洛树搜索的视频异常场景监测方法

通过视频监控可以更快速地发现异常场景,并尽快制止违法暴力行动。为保证监测精度,文中设计一种基于蒙特卡洛树搜索的视频异常场景监测方法。首先对行人轨迹特征进行提取,计算目标预测位置与实际位置的空间距离,判定二者的相对位置,建立三级异常图像;再基于蒙特卡洛树搜索算法设计行人行为判别方法,构建不确定判别网络,标记残差函数,对数据进行归一化处理,同时获得激活函数以及函数的输出值;最后,设计视频异常场景监测算法,基于协方差矩阵将多个判别结果汇总成一个整体,并以此得到监控视频内异常场景的监测结果。该方法能够通过目标提取得到视频内的异常目标。目标识别精度的测试结果表明,所提方法在简单场景与复杂场景内的AUC值分别为0.952和0.886,说明其监测精度较高,在简单场景与复杂场景下均可正常使用。     

基于轨迹分析的交通目标异常行为识别

针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。     

基于图像检测的机场人员异常行为分析技术研究

针对机场环境安保问题,研究了一种基于图像检测的异常行为智能分析技术。用YOLO v3模型对视频帧进行人员目标识别,并利用卷积姿态机(Convolutional Pose Machines,CPM)对目标范围进行骨骼关键点提取;采用Multitracker多目标跟踪方法对视频进行多目标跟踪。通过训练模型,对异常行为进行在线识别。经测试验证,该技术具备良好的识别效果,能快速识别出持枪、持械攻击、投掷、攀爬、快速接近五种异常行为,可广泛应用于机场内外场景。     

基于fast-LOF与光流轨迹的弱小目标检测算法

研究动态背景中弱小运动目标检测问题,提出了一种基于fast-LOF的光流轨迹分类方法。针对弱小运动目标占据像素少、特征缺失等问题,引入光流轨迹思想,在高维空间检测异常光流轨迹实现动态背景中弱小运动目标检测;针对传统LOF算法复杂度过高问题,引入fast-LOF降低异常检测环节复杂度,保证系统良好的检测效率。以手持摄像机拍摄视频进行实验,实验结果表明,白光场景中算法可以实现复杂大视场中弱小运动目标快速检测,光流轨迹和fast-LOF的结合有效提高了算法性能和检测效率,在视觉检测系统中具备一定使用价值。     

红外运动目标轨迹重构动态仿真平台

提出了一种红外热成像视频中运动目标识别追踪以及轨迹重构的动态仿真方法。通过仿真环境中虚拟红外图像的生成方式与成像的基本模型,对得到的图像进行一系列预处理。以空对空场景搭建了基于Gazebo与OpenCV的动态仿真平台,利用平滑约束算法对追踪目标进行实时动态轨迹重构,提出了误差分析模型,并分析出轨迹重构算法的性能以及仿真平台的效能。实验结果表明,该方法针对空对空场景下的红外运动目标轨迹重构具有较好的精度与鲁棒性,对目标的运动模型基本没有约束,同时仿真平台具有较高的运行效能与实时性,普通家用电脑即可实现高于60 fps的实时动态仿真,满足轨迹重构算法性能测试与训练的需求,其核心算法亦可迁移至机载计算平台实现真实场景下的实时轨迹重构。所提出的单路热成像视频中运动目标轨迹重构动态仿真方法对空间目标三维轨迹重建与动态测距定位的研究具有重要意义。     

基于时空LBP加权社会力模型的人群异常检测

针对基于传统社会力模型的人群异常行为检测算法忽视了场景中各个区域信息差异性的问题,考虑到时空LBP序列谱特征的计算简单性和区域代表性,提出了一种基于时空LBP加权社会力模型的人群异常行为检测算法,将时空LBP序列谱特征所包含的时域特性和区域信息融入社会力模型,使得社会力模型更为精确地对人群行为进行建模。实验证明,与传统算法相比,改进后的算法在异常行为的查准率与查全率上有很大的提高。     

基于空间虚拟墙的行人越界异常行为自动识别

提出了基于空间虚拟墙的行人越界异常行为自动识 别方法。基于人头刚体不变性及其个体类Haar特征的差异性,融合级联分类器与粒子滤波动 态跟 踪链,实现视频场景下的人头 目标跟踪与定位。进而基于人体身高不变性,建立基于行人头顶的三维平面方程及 其视频监控场景下的空间虚拟墙, 从而将行人跨越二维场景警戒线问题,转化为行人穿越三维空间虚拟警戒墙,实现行人是否 越界的有效判断。通过在不同视 频场景的实验验证与对比,结果表明,所提方法有效、可行,无需特定的硬件支持以及场景 条件约束。     

基于视频分析的街道犯罪行为预警系统设计

在人工监控视频的应用中,其可以通过街道行为分析,制定相应的犯罪预警机制。基于视频监控在犯罪行为预警中的应用,文中完成了视频街道犯罪行为预警系统的设计,其可对街道上的异常行为进行自动分类和分级预警,完成个体行为和群体行为分析。结果发现该系统在应用中可以实现关于街道普遍异常行为的分类分级预警,对违法犯罪行为起到了一定的预警作用。     

基于深度学习的远程视频监控异常图像检测

针对复杂场景下远程视频监控图像异常检测困难、传统算法功能单一(仅针对某种特定场景或某种异常图像进行检测)等问题,提出一种基于深度学习的全自动远程视频异常图像检测方法。首先采用Xavier方法对自行设计的卷积神经网络(Convolutional Neural Network,CNN)的参数进行初始化,然后将标准化后的视频差分图送入CNN的输入层,通过特征提取及下采样,最后在CNN的输出层获得远程视频异常图像检测结果。实验结果表明,该方法可以对远程视频监控中突然出现遮挡、模糊和场景切换等多种异常同时进行实时在线检测,准确率可达88.75%。     

Using dynamic Bayesian network for scene modeling and anomaly detection

In this paper, we address the problem of scene modeling for performing video surveillance. The problem consists of using the trajectories, obtained by observing objects in a scene, to construct a scene model that can be used to distinguish a normal and an acceptable behavior from a atypical one. In this regard, the proposed method is divided into a training phase and a testing phase. During the training phase, the input trajectories are used to identify different paths or routes commonly taken by the objects in a scene. Important discriminative features are then extracted from these identified paths to learn a dynamic Bayesian network (DBN). During the testing phase, the learned network is used to classify the incoming trajectories based on their size, location, speed, acceleration, and spatio-temproal curvature characteristics. The proposed method (i) handles trajectories of varying lengths, (ii) automatically detects the number of paths presents in a scene, and (iii) introduces the novel usage of the DBN, which is very intuitive and accurately captures the dynamics of the scene. We show results on four datasets of varying lengths and successfully show results for both path clustering and anomalous behavior detection.     

基于流形学习的视频异常行为检测算法

随着日益突出的公共安全问题和迅速增长的视频数据流量,智能化的视频监控异常行 为检测成为计算机视觉方向的研究热点。由于监督学习下的异常行为检测训练效果易受视频 监控数据集分布不平衡影响,本文采用无监督学习方法得到具有时空间分辨率的异常行为检 测效果。提出基于多流形谱聚类的异常行为检测方法,利用图像特征点列构建时序信息特征 ,利用流形学习构建空间信息特征,最终利用谱聚类方法无监督地得到视频异常行为检测结 果。在UCSD数据集上进行实验验证,本文方法具有较好的检测性能和计算速度。     

一种基于手机传感器对地铁场景测试的定位算法

本文提供了一种基于手机传感器对地铁测试进行定位的算法,可以有效地对地铁场景测试进行定位,有助于对地铁网络的问题定位、排查以及GIS呈现,从而提升地铁网络优化的效率。通过现场验证,该方法定位准确率可达到90%以上。该方法可应用于目前的LTE网络优化和将来的5G NR网络优化。     

基于分级属性的软件监控点可信行为模型

为了准确判断软件的可信性,针对软件预期行为轨迹中的软件监控点,该文提出了一个基于分级属性的软件监控点可信行为模型。首先,依据软件监控点各属性在可信评价中的作用范围将属性分级,构建各级属性的可信行为模型。其次,针对场景级属性,对同一监控点的训练样本进行区分,提出了一个基于高斯核函数的场景级属性聚类算法;针对单类训练样本,提出了基于单类样本的场景级属性权重分配策略。最后,实验分析表明:基于分级属性的软件监控点可信行为模型能够准确地对监控点的可信性进行评价;对于场景级属性可信模型,采用基于高斯核函数的场景级属性聚类算法具有更低的分类错误率,基于单类样本的场景级属性权重分配策略具有更优的可信性评价效果。