基于粒子熵值的异常行为检测

在异常行为检测当中,人群的分布信息十分重要。针对该情况,提出了一种基于粒子熵值的异常行为检测方法。该方法采用混合高斯模型动态建模提取出视频图像的背景,在提取到的背景图像上使用KLT(Kanade-LucasTomasi)算法追踪前景获得人群的速度和位置。基于人群粒子的网格分布获取相对应的直方图,并通过计算直方图的粒子熵值描述人群行为;最后,结合粒子分布的熵值与人群粒子的速度,提高异常行为判断的准确性。基于不同场景下的视频序列所进行的实验测试结果验证了所提方法的有效性。     

基于场景相似性和光流的人群异常检测方法

针对视频中人群异常行为检测问题,提出一种基于场景相似性和光流的人群异常行为检测方法。该方法分别使用卷积网络和光流提取视频中人群的外观特征和运动特征。在外观特征方面,使用感知哈希算法得到场景相似性异常值;在运动特征方面,改进Shi-Tomasi特征提取算法,并利用局部光流法提取运动特征异常值。文中将两种特征的异常值融合作为异常行为的判定依据。在异常行为建模方面,使用单分类SVM对异常值进行建模。在UMN基准数据集上进行对比试验,文中提出的融合方法取得了较好的检测效果,AUC值能够达到0.91。     

基于整体特征的人群聚集和奔跑行为检测

建立高效完备的智能视频监控系统已经成为当今社 会的迫切需求。针对公共场所人群聚集和奔跑的两类异常行为,提出一种基于分布熵和平均 运动速度的检测方法。一方面,根据前景图像的空间分布情况,采用分布熵衡量场景中人 群的集中程度,实 现对场景中人群聚集行为的检测;另一方面,检测图像上的角点,采用光流法对这些角点进 行跟踪并提取出产 生运动的角点,进而获得运动角点在视频序列中连续两帧间的运动向量,计算出人群整体的 运动速度,从而检 测人群的奔跑行为。所提出的方法不需要对单个行人进行分割以及样本的训练。采用不同场 景和不同人群密度 下的视频对所提出算法进行验证的结果表明,本文方法可以快速、准确地进行人群异常行为 检测。     

基于帧间差分和金字塔LK光流法的运动目标检测

针对用于运动目标检测的光流算法存在处理复杂、计算量大等问题,提出一种帧间差分算法和金字塔LK光流法相结合的运动目标检测方案.该方法先对视频图像进行帧间差分处理,得到图像的运动区域,再对该运动区域进行金字塔LK光流计算,减少了计算区域,提高目标检测的速度.最后在搭建的视觉避障平台上使用LabVIEW语言进行算法程序验证,实验结果证明了算法的有效性.     

视频场景人群运动异常状态检测

针对视频场景的人群运动状态分析问题提出了一种方法,包括人群密度分级和运动异常检测.该方法利用场景中不同区域的亮度信息作为BP网络的输入向量分类人群密度,降低了计算的复杂性,排除不必要的干扰信息.在异常检测方面利用光流法获取人群的运动信息,包括运动速度和运动方向.实验结果表明,该方法的精度及实时性均高于传统方法,对确定视频场景中人群运动状态是有效的,可以为防止大规模安全事故提供参考.     

基于光流法优化的人群异常行为检测研究

危害社会公共安全的事件时有发生，但目前使用的监控摄像头存在画面不清晰、需人为查看且耗时长等问题，故研究高效稳定的智能监控系统对维护公共安全和秩序有着重要意义。针对人群中异常行为的检测问题，文中提出一种改进ORB光流算法，根据运动能量的变化对异常行为进行检测和判断。该方法利用SURF中的Hessian矩阵进行特征点提取，使其具有尺度不变性；采用盒式滤波器替换高斯滤波器进行图像降噪，提高计算速度；使用Shi-Tomasi算法对特征点进行筛选，再与金字塔LK光流法进行匹配，提高检测速度和精度；通过计算MRF模型的能量函数来判断人群中异常行为是否发生，并进行异常区域定位。最后，在UCSD数据集中对所提方法进行验证。多种场景下的ROC曲线和AUC值对比结果表明，所提算法具有良好的性能，可以有效地检测出人群中的异常行为。     

智能视频监控系统中运动目标检测的研究

为了提高智能视频监控系统中运动目标检测的准确率和实时性,在传统对称差分算法的基础上提出了一种结合背景减法和时空熵图像的改进对称差分算法。首先,通过背景减法得到一个基本准确的运动目标,然后利用对称差分法得到差分图像,综合两者并求出时空熵图像,最后经形态学处理将运动目标准确快速地检测出来。实验结果表明,该算法计算简单、鲁棒性较好、抗噪声能力强,能对运动目标进行有效检测,可以广泛应用于智能视频监控系统中。     

智能视频监控系统中运动目标检测的研究北大核心

为了提高智能视频监控系统中运动目标检测的准确率和实时性,在传统对称差分算法的基础上提出了一种结合背景减法和时空熵图像的改进对称差分算法。首先,通过背景减法得到一个基本准确的运动目标,然后利用对称差分法得到差分图像,综合两者并求出时空熵图像,最后经形态学处理将运动目标准确快速地检测出来。实验结果表明,该算法计算简单、鲁棒性较好、抗噪声能力强,能对运动目标进行有效检测,可以广泛应用于智能视频监控系统中。     

基于贝叶斯融合的时空流异常行为检测模型

针对直接利用卷积自编码网络未考虑视频时间信息的问题,该文提出基于贝叶斯融合的时空流异常行为检测模型。空间流模型采用卷积自编码网络对视频单帧进行重构,时间流模型采用卷积长短期记忆(LSTM)编码-解码网络对短期光流序列进行重构。接着,分别计算空间流模型和时间流模型下每帧的重构误差,设计自适应阈值对重构误差图进行二值化,并基于贝叶斯准则对空间流和时间流下的重构误差进行融合,得到融合重构误差图,并在此基础上进行异常行为判断。实验结果表明,该算法在UCSD和Avenue视频库上的检测效果优于现有异常检测算法。     

基于拉格朗日场的多级运动特征暴力行为识别

针对暴力行为识别过程中缺乏描述不同时间尺度下暴力行为运动变化的问题,本文提出了一种基于拉格朗日场的多级运动特征暴力行为识别算法。该算法将描述非线性粒子运动的拉格朗日场引入暴力行为分析过程中,首先通过构建基于光流的拉格朗日场来挖掘不同时间尺度下暴力行为运动特征,设计了基于拉格朗日场的多级运动模块,该模块可以根据输入光流序列长度,计算多级运动特征;然后构建了基于流量门控制机制的双流网络,将多级运动特征和RGB图像特征融合;最后,利用LSTM和全连接模型计算识别结果。实验证明,该方法在公共暴力识别数据集上取得了很好的效果,特别是在真实监控场景的RWF-2000数据集上,暴力行为识别正确识别率可以达到88.4%,优于其他算法。     

结合光流法与信息熵的人群状态分析

随着近年来危害公共安全的群体性事件频繁发生,对人群场景下的人群状态分析与异常行为检测成为计算机视觉领域研究的热点问题。目前提出的诸如纯光流法,社会力模型,时空运动模型等算法,在检测准确率方面已能满足需求,但是算法复杂度普遍较高,运算量较大,在实际应用中难以保证实时性。鉴于此,首先,引入了人群移动区域面积的概念并定义了人群状态指数,来描述人群状态的变化,通过光流法获得人群运动矢量场,基于人群运动矢量场定义了人群运动强度指数来描述人群运动强度,基于人群运动矢量场与信息熵定义了人群混乱指数来描述人群运动方向的混乱程度。其次,基于降低算法运算量的考虑,根据上面提到的三个描述人群运动状态的特征变量设计了一种分层处理的人群异常行为检测方案,实验结果证明方案具有很好的效果。      

一种背景运动视频中运动目标的检测方法

针对成像平台运动情况下的运动目标检测问题,提出了一种从特征点稀疏运动场估计到运动分类的目标检测算法.首先通过快速特征点检测与跟踪恢复出图像稀疏运动场;然后依据特征点之间运动一致性关系实现属于同一运动模式的特征点分类,根据分类得到的各组特征点计算场景图像重建误差,剔除重建误差最小的特征点组,实现对前景目标的检测.仿真实验对该算法在复杂场景中检测运动目标的有效性进行了验证.     

基于最大熵和边缘信息的非结构化道路检测

针对非结构化道路因场景干扰因素多而难以准确检测的问题,文中提出了一种基于最大熵和边缘信息相结合的非结构化道路检测算法。根据熵值大的地方,图像灰度相对较均匀;熵值小的地方,图像灰度离散性较大的特性,采用二维最大熵做道路初分割。同时,结合道路边缘信息解决道路检测因光照不均、阴影和水迹等因素干扰而导致道路检测不准确的问题。实验结果表明,该算法能够准确检测出光照、阴影、水迹的路面,并且不受道路类型的影响,满足实时性要求。     

基于运动矢量场的双迭代全局运动估计方法

提出了一种基于运动矢量场的双迭代全局运动估计方法，该方法用两个最小二乘迭代过程来去除局部运动区域对全局运动估计的干扰。第一个迭代使用一个递减的百分比阈值来排除局部运动区域；第二个迭代过程使用一个固定的绝对阈值来检测完整的伞局运动区域并估计运动模型参数。实验结果表明双迭代法进行伞局运动估计的结果更加准确和稳定。     

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.     

基于能流信息场景检测的码率控制策略

该文首先介绍了用能流信息进行运动估计的方法,然后把该运动信息运用到场景检测中,最后分析了场景切换下MPEG-4 Q2码率控制算法失效的原因,提出了基于场景切换补偿的码率控制策略,并在场景切换时对MPEG-4 Q2算法得到的目标比特数进行修正。实验结果表明,该方法可以在保证编码缓冲器不发生上溢的前提下改善切换点及后继帧图像编码的质量。     

动态背景下的光流场计算方法

通过计算光流场来检测场景中的运动目标是计算机视觉中非常重要的研究课题,而光流场计算的精度直接关系到目标检测的准确性。针对实际拍摄的视频中由于背景存在运动而导致光流场中运动目标不突出的情况,提出了一种基于分块积分投影配准算法的光流场计算方法。首先利用提出的分块积分投影配准算法得到图像背景的运动参数,然后对背景进行运动补偿,再利用L-K算法求取运动补偿后图像中有效区域的光流场。通过真实视频对算法进行验证,并将结果与经典的L-K算法结果进行了对比。对比结果显示:本文所提算法计算得到的光流场中运动目标更加突出,算法效果较好。     

基于遗传算法的ISAR运动补偿新算法

提出了基于遗传算法进行逆合成孔径雷达运动补偿的新算法.针对遗传算法解的收敛性问题,在遗传算法中采用了最优个体保存策略,使得解以概率1收敛于全局最优解;针对遗传算法运算量大的问题,提出了采用运动补偿后最小熵和最小距离作为适应度函数,由此形成2种称为GAMCE和GAMCD的ISAR运动补偿新算法.仿真数据和实测数据验证了所提新算法的有效性.     

Detection method of LDoS attack based on ACK serial number step-length

Low-rate denial of service (LDoS) attack is a potential security threat to big data centers and cloud computing platforms because of its strong concealment.Based on the analysis of network traffic during the LDoS attack,statistical analysis was given of ACK packets returned by the data receiver to the sender,and result reveals the sequence number step had the characteristics of volatility during the LDoS attack.The permutation entropy method was adopted to extract the characteristics of volatility.Hence,an LDoS attack detection method based on ACK serial number step permutation entropy was proposed.The serial number was sampled and the step length was calculated through collecting the ACK packets that received at the end of sender.Then,the permutation entropy algorithm with strong time-sensitive was used to detect the mutation step time,and achieve the goal of detecting LDoS attack.A test-bed was designed and built in the actual network environment for the purpose of verifying the proposed approach performance.Experimental results show that the proposed approach has better detection performance and has achieved better detection effect.     

一种新的DDoS攻击检测算法

为了准确及时的进行DDoS攻击检测,提出了一种新的DDoS攻击检测算法。该算法在基于传统的小波分析检测DDoS攻击的基础上融入了主成分分析法和小波分析法中DDoS检测方法,并根据该算法设计相应的模型和算法来检测 DDoS 攻击,并且引入信息论中的信息熵对源IP地址的分散程度进行度量,根据初始阶段Hurst指数及熵值的变化自适应地设定阈值以检测攻击的发生。实验结果表明,该方法大幅度的提高了DDoS检测的速度。