基于光流模值变化频率的群体骚乱行为检测方法

群体骚乱行为突发性强、破坏性大,是视频监控关注的重点。研究群体骚乱行为的智能检测方法有助于提高视频监控的智能化水平。现有行为检测方法在检测群体骚乱行为时虚警率较高,实用性较差。因此,依据群体骚乱行为发生时光流模值变化大的特性,提出了一种基于光流模值变化频率的群体骚乱行为检测方法。该方法首先计算视频中每一帧图像上各像素点的光流;然后自适应求取反映像素点光流变化大小的二值映射图;接着分区块计算视频片段上的光流变化频率直方图,构建行为描述子;最后采用线性支持向量机进行特征训练与分类。实验表明,所提方法在检测群体骚乱行为时虚警率和漏警率低、识别率高,可广泛用于智能视频监控领域。     

基于金字塔LK光流法的电梯内异常行为检测

电梯运行环境相对密闭,是打架等异常行为的多发场所。针对电梯轿厢内发生的打架等以方向混乱、动作速度快作为主要特征的异常行为,提出一种基于金字塔LK光流法的异常行为检测方法。首先,获取视频帧中的角点作为特征点,利用光流法预测特征点位置,对运动矢量进行描述并表示成光流图,通过速度大小筛选出有效光流点,消除背景中的噪声光流点干扰,提取运动目标。然后,利用每帧图像中光流点的平均速度与方向直方图熵的乘积定义运动混乱度,作为异常检测的判断依据。最后,设定相应阈值,判断是否发生异常行为。通过对自拍摄的模拟电梯内乘客正常行为和异常行为的数据集进行验证表明,上述方法可以取得良好的检测效果,并且能满足实时性要求。     

基于稠密光流轨迹和稀疏编码算法的行为识别方法

针对现有行为特征提取方法识别率低的问题,提出了一种融合稠密光流轨迹和稀疏编码框架的无监督行为特征提取方法(DOF-SC)。首先,在稠密光流(DOF)轨迹提取的基础上,对以轨迹为中心的原始图像块进行采样作为轨迹的原始特征;其次,对轨迹原始特征基于稀疏编码框架训练稀疏字典,得到轨迹的稀疏特征表示,利用词袋(BF)模型对稀疏特征聚类得到轨迹的码书,再根据码书对每个动作中出现的所有轨迹所属的码书类别进行投票,统计该动作中每个码书出现的次数,得到行为特征;最后,对行为特征利用基于直方图交叉核函数的支持向量机(SVM)进行训练得到行为识别模型,再利用该模型对行为进行分类预测,得到最终行为识别的结果。在对轨迹采样10%的情况下,DOF-SC算法得到的行为识别准确率在KTH数据库上高出采用运动边界直方图(MBH)作为特征的行为识别准确率的0.9%,在YouTube数据库上高出MBH作为特征的行为识别准确率的1.2%。实验数据表明了所提方法对行为识别的有效性。     

基于脑信息特征和SVM的行为异常检测研究

采用脑信息特征检测方法对600名临床诊断行为异常者和400名行为正常者进行测试,并对测试的数据进行特征提取。然后对这些特征进行规范化处理并利用支持向量机方法,根据脑信息特征建立异常行为的诊断模型。实验结果表明该诊断模型是有效的,它是基于脑信息特征的人才选拔决策系统的重要部分。     

基于光流特征与序列比对的实时行为识别

提出一种基于光流特征与序列比对的行为识别算法.首先利用分层光流提取视频序列中的运动信息;然后用光流场的方向直方图构造相应行为的模板库和索引序列库;最后用序列比对方法实现行为识别.实验结果表明,该算法可在线进行人的典型行为识别,对目标尺度变化、小角度倾斜和旋转具有一定程度的鲁棒性.目前以该算法为核心的行为识别实验系统对图像尺寸为320×240的序列平均处理速度达到10 fps.     

基于角点光流与SVM的增氧机工作状态检测

在水产养殖中,实时检测增氧机的工作状态非常重要。因此,提出了一种基于角点光流与支持向量机SVM模型的增氧机工作状态检测方法。该方法首先通过摄像机采集增氧机停止/运行状态的视频,然后对相继前后两个视频帧,利用Harris算法检测前一帧图像的水花角点,再根据后一帧,用金字塔Lucas-kanade光流法计算角点的光流量,从而得出水花角点在两帧之间的帧间平均位移;然后,利用学习阶段视频的角点帧间平均位移数据训练SVM模型;最后利用训练好的SVM模型对增氧机实时工作状态进行判断。在工作阶段,采用一种过滤异常视频帧的方法,提高检测的准确率。通过实验表明,该方法适应于对不同光照、不同视频获取角度和不同拍摄距离条件下增氧机工作状态的实时监控,检测准确率高于直方图阈值分割方法。同时,该方法具有较好的鲁棒性和实时性。     

基于稠密光流和边缘特征的烟雾检测算法

为了克服传统火灾烟雾检测技术的缺陷,提高视频烟雾检测算法的检测率,通过观察烟雾运动的特性,提出一种基于稠密光流和边缘特征的烟雾检测算法。该算法首先利用混合高斯背景建模和帧差相结合的方法提取运动区域,然后将此运动区域池化为上、中、下三部分,并在每个池化区域提取光流矢量特征和边缘方向直方图。考虑到烟雾运动在时域中的连续相关性,提取相邻三帧的烟雾特征向量以提高算法的鲁棒性。最后使用支持向量机进行训练和烟雾检测。实验结果表明,该算法在测试视频集上准确率超过94%,与现有方法相比,能更好地适应实际应用中复杂的环境条件。     

基于光流的人体行为识别

人体行为识别已成为计算机视觉中的一个研究热点,并且光流法已被应用到各种应用场合。针对教室内学生的站立和坐下的视频,提出了基于光流的人体行为识别算法。首先获取当前帧的活动点集,从而得到活动区域。根据保存帧的信息统计向上光流和向下光流,结合当前人的状态,判断出人的动作。最后进行人的状态的更新。在整个视频处理过程中,该算法重复以上过程,维持了站立人的状态跟踪。实验结果表明,该算法能够识别出站立和坐下的动作,验证了该算法的有效性和鲁棒性。     

一种基于支持向量机的车载网络异常检测方法

随着人工智能、5G、激光雷达和各类传感器等技术的不断发展与应用,无人驾驶、车联网等应运而生,汽车朝着智能化和网联化不断发展,为人们带来舒适、安全的驾驶体验。同时,网联化也打破了汽车现有的闭环状态,为车载电子系统带来了潜在的信息安全问题。为此,文章提出了基于支持向量机的车载网络入侵检测算法。通过对报文的DATA域的分析,挖掘报文的各字节特点,综合各字节和字节数据的信息熵,构成分类训练样本,训练支持向量模型,以此检测数据的可能异常。通过真实车辆数据实验分析,对模拟攻击的异常检测具有较高的检测率。     

路由器中基于支持向量机（SVM）的异常检测方法研究

支持向量机（SVM）是一类新型机器学习方法,首先简要介绍了SVM的基本原理,进而分析了该方法应用于异常检测,最后对基于支持向量机（SVM）的异常检测在路由器中的实现方法进行了简要论述和仿真实验。     

基于特征属性信息熵的网络异常流量检测方法

针对网络异常流量检测问题,文章提出一种基于网络流量特征属性信息熵的异常流量检测方法.该方法首先计算描述网络流量特征变化的源端口号、目的端口号、源IP地址和目的IP地址这4种特征属性信息熵,并进行归一化处理,降低异常样本数据对分类性能的影响;然后利用自适应遗传算法对支持向量机分类器的惩罚参数和核函数参数进行优化,提高分类...     

一种基于奇异点检测的光流场去噪方法

针对各种滤波方法对光流场进行去噪处理时会造成目标运动矢量改变的不足,提出一种基于奇异点检测的光流场去噪方法,利用表征信号奇异点特征的Lip指数建立噪声矢量判定准则,可以在目标无损的情况下检测出光流场噪声并消除。实验证明该方法能较好地消除噪声,同时不会造成目标运动矢量的损失。     

基于支持向量机的复杂背景下的人体检测

常用的人体检测方法多是基于经验风险最小化原理的传统统计理论，其性能只有在样本趋于无穷大时才有理论上的保证，而在实际应用中，学习样本通常是有限的。针对传统统计理论在人体检测中存在的不足，提出了一种基于统计学习理论——支持向量机(SVM)的人体检测方法，利用彩色空间对背景进行自适应建模提取运动目标，然后使用训练好的SVM进行验证是否是人体。为了简化SVM分类器的设计及提高机器学习的效率，提出了一种星形向量表示法用于抽取目标的特征向量，并且用实验方法得到了这种表示法的最优表示。将SVM与ANN进行比较，并且对不同内积函数的SVM的性能也进行了比较。实验结果表明，SVM的性能要优于ANN，并且采用径向基函数的SVM性能最好。该方法鲁棒性强，正确率高，解决了复杂背景下运动人体实时检测的一些关键问题。     

SDN架构下基于ICMP流量的网络异常检测方法

互联网控制报文协议(Internet Control Message Protocol,ICMP)实时地反映着网络的状态,当网络故障或受到攻击时,ICMP报文在整个流量中出现的概率,以及ICMP流量中不同类型的报文比例等特征都会发生变化.本文利用ICMP流量小的特点,并结合SDN架构中控制面可对ICMP流量进行集中观察的优势,采用SVM分类的方法,提出一种轻量级的异常检测机制以改善异常检测的实时性和准确性——AD-ICMP-SDN(Anomaly Detection Method based on ICMP Traffic for SDN).实验结果证明,AD-ICMP-SDN在检测准确率和误报率等指标上展现了较好的性能.     

基于改进差分和光流的新型运动目标检测方法

针对运动目标检测中的空洞和虚假目标的问题, 提出一种改进差分和改进光流的运动目标检测方法. 该方法首先对连续的七帧图像依次进行预处理、差分、灰度变换和二值化处理, 并将前、后三帧二值图像分别累加得到的二值图像进行逻辑与运算, 得到中间帧中运动目标的粗略区域; 其次将中间帧与背景帧差分, 并对得到的图像进行边缘提取和二值化处理, 然后对其进行像素的算术运算, 得到中间帧中运动目标的精确区域; 在基础上通过改进的光流法得到运动目标的准确信息; 最后通过阈值分割和形态学处理完成对目标的分割. 对比实验表明, 该方法能实现运动目标的准确快速检测与分割.     

基于光流法的快速车道线识别算法研究

为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法。首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动。然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法。最后,通过对车道线像素点的处理,给出车道线类型信息。该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度。在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好。实车实验证明了算法的有效性和实时性。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪.该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,...     

基于多特征融合的跌倒行为识别与研究

在全球老龄化和空巢家庭的社会背景下,老年人的跌倒已成为当今社会备受关注的问题,为了能及时为老年人提供帮助,减轻摔倒带来的伤害,提出了一种基于图像处理的多特征融合跌倒识别算法。针对前景提取,本文提出了一种三帧差分法与背景减除法加权结合的目标提取算法,进而提取出目标轮廓的高度、宽高比、质心、矩形周长、Hu矩及Zernike矩特征;以行走、坐下、蹲下和跌倒4种行为数据作为样本,最后通过参数优化后的支持向量机训练及预测来实现跌倒的检测与识别。实验结果表明,所提出的算法不仅有效而且速度快、易于实现,平均识别率超过了95%。     

基于深度学习的网络流量异常识别与检测

针对传统的工控网络流量数据在复杂网络环境下特征维度高,特征处理复杂度高,模型检测效率低等问题,本文使用了一种基于随机森林(random forest, RF)和长短期记忆网络(long short-term memory, LSTM)结合的流量异常识别与检测方法.首先使用随机森林算法计算流量特征的重要度评分,筛选出重要特征,剔除冗余特征,然后使用LSTM进行异常流量的识别与检测.为了评估模型的有效性与优越性,本文使用准确率、精确率、召回率和F1-score进行模型评价,并与传统的机器学习方法 Naive Bayes、QDA、KNN算法进行对比.实验结果表明,在公开数据集CIC-IDS-2017中,异常流量识别的总体准确率达99%.与传统的机器学习算法相比,该方法有效地提高了复杂网络环境下异常检测的准确性和效率,在工业控制网络安全和异常检测方面具有实际应用价值.     

光流与纹理特征融合的人脸活体检测算法

针对照片与视频重放这一常见人脸识别欺诈手段,利用人脸攻击图像的语义信息提出一种基于光流与纹理特征融合的人脸活体检测算法:采集连续两帧待检测人脸图像,通过光流法及人脸检测方法生成人脸区域光流场变化图,将其与原始RGB图像输入至2通道卷积神经网络提取并融合得到人脸动-静态特征,基于融合特征实现真实人脸与欺诈人脸分类.此外,...