一种基于视频能量的异常事件检测算法研究

监控人群拥挤区域的行人流动情况,对于各类安检任务有着重要作用。该问题通常涉及两个内容:对拥挤的程度进行评价及判断其异常与否,这需要对大量运动信息进行研究;定义了一种群体能量来进行实时监控系统的拥挤人群建模与处理,通过对能量曲线进行分析,提出了一种检测群体异常事件的方法,从实验结果可见该方法的有效性。     

介观小团体运动聚类的人群异常检测

传统的人群行为分析主要基于宏观尺度或微观尺度,前者忽视了个体运动的信息,难以定位局部异常,后者在人数众多的场合下难以精确检测与跟踪行人个体。为了在人群的宏观与微观特性之间搭建一个桥梁,从介观尺度分析入手,提出一种基于人群介观小团体运动聚类的异常行为检测方法。首先通过计算光流场并对其进行平滑滤波来获得人群运动的微观运动描述;进而通过Mean Shift算法对微观局部运动进行聚类,并根据速度、位置信息将微观类别合并为介观人群小团体;最后将速度场特征空间划分为正常和异常区域,根据聚类中心在该空间的区域归属及在该区域的持续时间长短来检测异常行为,并将异常类别所有样本点映射到图像坐标系,采用重心法确定异常发生的具体位置。实验结果表明,提出的方法不但能检测人群运动的全局异常,而且能定位局部异常行为的发生位置。其中,全局异常行为的检测总正确率达99.23%,局部异常的检测总正确率可达86.25%。     

面向设备群体的工况数据异常检测方法EI北大核心CSCD

为了全面便捷地检测出有效的潜在的设备异常,基于设备大量有价值的工况数据,对设备异常检测方法进行研究,提出一种面向设备群体的工况数据异常检测方法。通过对设备状态监测数据潜在异常特征进行分析挖掘,识别设备运行中的异常状态和用户异常行为,提高产品服务质量。给出了设备异常检测原理,对数据预处理、特征提取、正常特征空间分布建模、异常检测和人工验证过程进行了详细阐述。通过对5 000多万条真实监测数据进行异常检测实验,验证了所提方法的可行性和有效性。     

基于运动行为统计图的异常行驶车辆检测

为提高车辆监控效果,提出了一种被称作运动行为统计图的车辆运动行为描述模型,并将其应用于道路监控视频中异常行驶车辆的检测。模型通过从视频序列中记录所有运动物体的运动区域、运动方向和运动速度,累积统计这些运动信息,最终生成运动行为统计图,以表征该监控区域所有运动物体的运动状态。异常检测阶段以当前场景下正常视频序列生成的运动行为图为模版,通过计算其与现场观测视频的运动行为图之间的相似度,判断是否存在异常车辆。实验结果展示了运动行为图对物体运动状态描述的可靠性,证明了检测方法的实用性。     

机械加工系统运行状态异常检测方法的研究

智能维护技术对实现机械加工系统的预测维护意义重大,其中,对加工系统性能退化程度进行定量评估是实现预测维护的重要环节,但由于设备故障信息难以获取,使预测维护技术的应用受到一定的限制.为此,本文提出了异常检测的概念和基于统计理论的异常检测方法.通过对加工系统当前状态的异常检测,来对其异常偏离程度进行量化,目的是大幅提高加工系统预测维护的易操作性和应用范围.该方法已在精密曲线磨削主轴系统运行状态的监测中取得了良好的效果,并为系统性能退化程度的在线评估奠定了基础.     

基于行人组运动信息表达的人群异常检测

人群异常检测是智能化人群监控技术下的一个重要研究方向,在现有的方法中,异常检测的首要步骤就是获取运动信息,传统通过对视频帧均匀分块的方式并不能保证行人的完整性,提取的特征也不能准确反映行人的运动状态。本文提出了递进式人群分组的方法,先将人群运动场与帧差法结合分割图像获取人群前景,然后依据人群运动方向获取方向组,结合时空信息对方向组再聚类,得到更细致的行人组。对于每个行人组,利用人群能量特征去表征行人整体运动信息,并依据能量场构造了环块能量直方图特征来削弱行人四肢摆动的影响,最后与图像外观特征相结合用于人群异常检测。实验结果表明,本文方法在两个不同场景下帧级准确率达到83%和92%,像素级准确率达到64%和83%,与传统方法相比有较大提升。     

基于STM32的地下电缆异常状态检测系统研究

由于目前缺乏相应的监测技术，地下电缆线路出现异常运行状态无法被及时发现，久而久之易演变成大故障，最终只能通过更换地下电缆进行修复，耗费大量的人力、物力。鉴于此，开发了一种基于STM32的地下电缆异常状态检测系统，利用热传导原理测量地下电缆表面温度，通过测量温度的高低判断地下电缆的过载运行情况和异常运行状态，并对异常运行的异常点进行预测，辅助供电人员开展异常运行电缆的检修工作，以节省人力、物力。     

基于PSO-BP算法的铜管生产过程能耗异常检测模型

传统能耗异常检测方法大多使用固定阈值比较法、缺乏自适应能力等问题。为提高企业能耗异常检测精度,将使用基于PSO-BP神经网络的预测方法获取分工序各批次正常情况的预测能耗,根据误差的概率分布动态设置能耗的置信区间,并依据实际能耗值是否落在预测能耗置信区间范围内来判定是否出现能耗异常检测现象,从而构建了铜管能耗异常检测模型。通过对比使用不同方法构建的异常检测模型的漏检率和误检率,证明此模型能很好地减少漏检、抑制误检。     

基于隧道磁阻传感器的车辆探测器研究

设计了一款基于隧道磁电阻传感器(TMR)的车辆探测器。通过理论分析与仿真,确定了车辆探测器的关键指标。对车辆所产生的磁异常信号进行了测量与分析,并根据磁异常信号的特征设计了专用检测电路。在此基础上,对车辆探测器的线性度、噪声、带宽、检测距离、有效探测率等性能指标进行了标定和测试。测试结果表明,该车辆探测器的最远探测距离可达4 m,在3.5 m的探测距离内有效探测率达100%。该车辆探测器拥有精度高、线性度好、体积小、功耗低等优势,适用于高灵敏度的运动车辆目标检测和探测。     

基于统计学习的人群异常行为检测

针对拥挤道路环境下的人群监控问题,提出了一种新的异常行为检测方法。该算法首先对去背景后的训练视频提取特征向量,并通过统计学习的方法建立高斯混合模型（GMM）,然后提取测试视频的特征向量,输入到GMM中计算概率密度,最后用mean shift算法判断每帧是否异常。在UCSD数据库上进行帧级别的实验,取得了16%的同等错误率（EER）,在像素级别的实验中,取得了62%的定位准确率。实验结果表明该算法能有效检测不同场景下的人群异常行为。     

Fast and Simple Motion Tracking Unit with Motion Estimation

Surveillance system using active tracking camera has no distance limitation of surveillance range compared to supersonic or sound sensors. However, complex motion tracking algorithm requires huge amount of computation, and it often requires expensive DSPs or embedded processors. This paper proposes a novel motion tracking unit based on different image for fast and simple motion tracking. It uses configuration factor to avoid noise and inaccuracy. It reduces the required computation significantly, so as to be implemented on Field Programmable Gate Array(FPGAs) instead of expensive Digital Signal Processing(DSPs). It also performs calculation for motion estimation in video compression, so it can be easily combined with surveillance system with video recording functionality based on video compression. The proposed motion tracking system implemented on Xilinx Vertex-4 FPGA can process 48 frames per second, and operating frequency of motion tracking unit is 100 MHz.     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

中高轨道目标的地基光电监视

针对中高轨目标暗弱为目标识别和识别效率增加的难度,研究了基于被动光学系统的地基光电光测系统;同时提出了一种通过对原始图像进行最优化处理,从而有效提高目标信噪比,增加目标识别效率的方法。首先分析了在轨目标的光学反射特性,比较了不同模式下目标的信噪比,给出光电监视系统的最优设计方案。然后,结合目标运动特性和观测条件等因素,设计了适合中高轨道目标的地基地球同步轨道(GEO)目标的观测模式。最后,针对暗弱目标图像识别难题,提出了基于最优化原理的低信噪比目标识别图像处理的新方法。根据实测数据对本文方法进行了实验验证,并与传统差帧法进行了比较。结果显示,本文方法可在目标信噪比大于3.09点条件下识别出目标。该项研究对中高轨道目标光电监视用设备的设计和使用很有参考价值。     

基于监控视频的异常事件识别

提出了一种基于监控视频的异常事件识别模型,该模型可以实时监测视频中的前景目标,并通过分析目标的运动信息判断是否有异常事件的发生。首先,采用背景建模的混合高斯算法提取前景目标;然后,用金字塔迭代的L-K特征点跟踪算法得到前景的光流运动信息,并通过分析前景的面积比例、速度方差、整体熵判断视频中是否有异常事件的发生;最后,利用爆炸、人群短时聚集和分散两种异常事件做仿真实验。结果表明,该模型可以准确提取前景目标区域,并可以快速、精准地判断监控视频中的异常事件,可以为管理部门及时发现和控制异常事件提供有效的帮助。     

Development of a motion simulator for testing a mobile surveillance robot

A 6-axis motion simulator has been developed, in order to regenerate UGV (unmanned ground vehicle) motion and to test the stabilization system of the mobile surveillance robot that is mounted on the UGV. For developing the 6-axis motion simulator, a simulation-based design procedure was introduced. The 3D geometric model of the motion simulator was created by using 3D CAD modeler ProE. The multibody dynamics model of the motion simulator has also been created by using the general purpose dynamic analysis program ADAMS to validate the design of the motion simulator. Dynamics and control co-simulation model for the motion simulator has been also established for control performance analyses. Actual hardware of the motion simulator has been fabricated based on the proposed simulation based design. Hardware test of the motion simulator has been tried to validate the design. This paper was presented at the 4th Asian Conference on Multibody Dynamics(ACMD2008), Jeju, Korea, August 20–23, 2008. Oskar Wallrapp was awarded a Ph.D. degree in Mechanical Engineering at the Technical University of Berlin, Germany in 1989. Dr. Wallrapp is currently a Professor in the Department of Precision and Micro Engineering, Muenchen University of Applied Science, Munich, Germany. His research interests are mechanism analysis and design, robotics, and bio-mechanics. Sung-Soo Kim received a Ph.D. degree in Mechanical Engineering from the University of Iowa in 1988. Dr. Kim is currently a Professor in the Department of Mechatronics Engineering at Chungnam National University in Daejeon, Korea. His research interests are real-time multibody formulation and its application to the automotive systems and military robot systems.     

A cooperative camera surveillance method based on the principle of coarse-fine coupling boresight adjustment

Visual surveillance systems play a vital role in smart manufacturing scenes. In this paper, a cooperative camera surveillance method is proposed based on the coarse-fine coupling boresight adjustment principle. A master-slave camera cooperative monitoring model is established by combining a high-resolution camera with a large-field camera, the former of which is embedded with a Risley prism pair to perform high-precision boresight pointing for monitoring a local target, while the latter can observe a wide scene and guide the former to catch a region of interest. An effective boresight adjustment strategy is put forward with a method of combining fast convergence and iterative refinement. A calibration method of the master-slave camera is proposed with the combination of binocular vision and equivalent motion plane. The error distribution, adjustment efficiency and tracking accuracy of the dual field monitoring are analyzed in detail to reveal the mapping mechanism between imaging feedback and boresight adjustment. In the surveillance experiment, the root-mean-square tracking error of the fine tracking camera can achieve better than 7.04 pixels, while the adjustment steps only need about 10 times, which validates the feasibility and effectiveness of the proposed method in industrial operation surveillance.     

Robust Object Detection in Severe Imaging Conditions using Co-Occurrence Background Model

In this study, a spatial-dependent background model for detecting objects is used in severe imaging conditions. It is robust in the cases of sudden illumination fluctuation and burst motion background. More importantly, it is quite sensitive under the cases of underexposure, low-illumination, and narrow dynamic range, all of which are very common phenomenon using a surveillance camera. The background model maintains statistical models in the form of multiple pixel pairs with few parameters. Experiments using several challenging datasets (Heavy Fog, PETS-2001, AIST-INDOOR, and a real surveillance application) confirm the robust performance in various imaging conditions.