一种基于局部时空特征的视频异常检测方案

针对目前大多数视频异常检测方案在局部异常检测上的不足,提出一种基于局部时空特征的视频异常检测方案。该方案先提取运动描述符,再量化拆分,对每个特征描述符使用不同标度的时间空间滤波器,获得各时间空间区域的平滑估计,为训练和测试视频计算出各区域的局部K最邻近(KNN)距离,根据上述局部KNN距离,得出测试和训练视频的总体分值。对总体分值排名,确定异常。将该方案在公共数据集(UCSD数据集、人群异常UMN数据集、U型转弯数据集)上进行测试,结果表明,该方案的误差率、曲线下面积等性能指标优于现有的视频异常检测算法。     

基于3D旋转模型的全景视频稳像算法

视频稳像算法是指消除由于手持相机拍摄造成的视频帧间抖动的算法.由于全景视频广视域的特性,传统的稳像算法并不适用.针对全景视频,提出一种使用3D旋转模型进行稳像处理的新方法.通过特征点提取跟踪计算出的3D旋转模型可以准确地描述相机的真实运动路径;为了减少数据冗余,使用欧拉角表征旋转模型的参数.在路径平滑过程中,引入一种基于样条拟合的改进方法,分离抖动和主观运动并消除高频的抖动,相比传统方法更加准确可靠.实验结果表明,该算法可以有效地消除视频中的抖动并生成稳定的视频序列.     

基于深度学习与稀疏光流的人群异常行为识别

目前公共场所人群异常行为检测的异常种类检测准确率较低,且多数对突然奔跑等部分异常行为无法识别.为此,提出一种基于YOLO_v3与稀疏光流的人群异常行为识别算法,通过检测小团体异常为群体异常预警与采取相应的应急措施提供充足的时间.为方便定位异常发生区域,将视频分割为多个子区域,通过获取子区域的图像样本进行诱发群体异常的小团体异常检测,利用改进YOLO_v3神经网络对传统算法较难检测行人持棍、持枪、持刀与面部遮挡等异常进行检测,在未检测到上述异常诱因时,使用稀疏光流法获取人群平均动能与运动方向熵,将得到的特征数据通过PSO-ELM进行分类,区分正常行为与同向突散或无规则突散.实验结果表明,与现有同类算法相比,该算法能有效检测行人持械与面部遮挡等小团体异常,并且定位异常发生区域的准确率达到98.227%.     

一种自适应异常检测方法研究

在工业、军事等领域,有时需要检测图像感兴趣区域是否有异常发生。而抖动和光照变化都会导致异常的误判,消除它们实现精准的异常检测是一个难题,为此,提出一种解决办法。该方法使用基于投影的快速分块匹配来消除待检测图像与模板图像间可能存在的抖动;接着多项式拟合有问题部分的光照变化来消除其影响;最后基于加权多区域差分矩阵进行异常的判定。研究结果表明:此方法能精准地检测到图像感兴趣区域内异常的发生。     

结合双流I3D和注意力机制的视频异常事件检测

为了减少视频异常事件检测过程中冗余帧对检测效果的影响,更好地利用视频中关键帧包含的有用信息,提出了一种结合双流膨胀卷积神经网络（Two-stream Inflated 3D ConvNets,I3D）模型和压缩-激励注意力机制多示例异常检测算法。首先,利用双流膨胀卷积神经网络提取视频时空特征;其次,通过双向长短期记忆（Bidirectional Long Short Term Memory,Bidirectional LSTM）神经网络获取视频特征长时序信息;再次,借助压缩-激励注意力机制分配特征权重;最后,通过多示例排序损失函数得到异常排序模型,并在排序损失函数中加入稀疏损失和平滑损失,更好地预测视频异常分数。实验表明,在公开数据集UCF-Crime上检测准确率达到了82.84%,高于基线模型7.43%。     

基于深度时空卷积神经网络的人群异常行为检测和定位

针对公共场合人群异常行为检测准确率不高和训练样本缺乏的问题,提出一种基于深度时空卷积神经网络的人群异常行为检测和定位的方法。首先针对监控视频中人群行为的特点,综合利用静态图像的空间特征和前后帧的时间特征,将二维卷积扩展到三维空间,设计面向人群异常行为检测和定位的深度时空卷积神经网络;为了定位人群异常行为,将视频分成若干子区域,获取视频的子区域时空数据样本,然后将数据样本输入设计的深度时空卷积神经网络进行训练和分类,实现人群异常行为的检测与定位。同时,为了解决深度时空卷积神经网络训练时样本数量不足的问题,设计一种迁移学习的方法,利用样本数量多的数据集预训练网络,然后在待测试的数据集中进行微调和优化网络模型。实验结果表明,该方法在UCSD和subway公开数据集上的检测准确率分别达到了99%和93%以上。     

移动机器人视觉抖动的Kalman滤波补偿

消除视觉抖动是机器人移动中对接作业的关键。基于仿射变换,建立了图像的递推运动模型;设计了基于梯度的分区域的KLT特征提取算法,分析了梯度与灰度变化的关系;利用绝对误差和最优进行特征点的匹配,并利用菱形搜索算法来提高匹配速度,设计自适应模板算法来解决匹配结果不惟一的问题;利用最小二乘法求解超定运动方程组,得到运动参数。推导得到有意运动参数的观测模型;利用Kalman滤波去除无意运动;利用滤波后的运动参数重构图像,对含抖动的视频进行稳像补偿。在非平整路面内移动机器人上开展实验。结果表明,相对参数滤波比绝对参数滤波更平滑,且算法对x和y方向的抖动补偿无相互干扰,经过该算法处理后的视频序列与原序列相比结果得到较大改善,满足准确性要求。     

基于特征跟踪和网格路径运动的视频稳像算法

针对手持移动设备拍摄的抖动视频问题,提出了一种基于特征跟踪和网格路径运动的视频稳像算法。通过SIFT算法提取视频帧的特征点,采用KLT算法追踪特征点,利用RANSAC算法估计相邻帧间的仿射变换矩阵,将视频帧划分为均匀的网格,计算视频的运动轨迹,再通过极小化能量函数优化平滑多条网格路径。最后由原相机路径与平滑相机路径的关系,计算相邻帧间的补偿矩阵,利用补偿矩阵对每一帧进行几何变换,从而得到稳定的视频。实验表明,该算法在手持移动设备拍摄的抖动视频中有较好的结果,其中稳像后视频的PSNR平均值相比原抖动视频PSNR值大约提升了11.2 dB。与捆绑相机路径方法相比约提升了2.3 dB。图像间的结构相似性SSIM平均值大约提升了59%,与捆绑相机路径方法相比约提升了3.3%。     

利用注意力机制的多示例学习视频异常检测

视频异常检测旨在检测视频中的表观异常和运动异常,多示例学习(Multiple Instance Learning, MIL)是目前较先进的弱监督视频异常检测方法,但是MIL提取的C3D特征不能同时描述视频中表观和运动信息,这导致异常检测性能较低.本文提出了利用注意力机制的多示例学习视频异常检测算法(A-MIL),首先提取视频数据的三维特征C3D和光流特征图,并利用Conv-AE提取光流图的特征向量,然后输入至3层全连接神经网络中得到每个示例每种特征的异常分数,接着通过注意力机制获取特征的权重参数,得到最终的示例分数,最后利用改进的MIL排序算法进行模型训练并设置阈值,测试时将异常分数与阈值相比较以判断异常.在公开数据集UCF-Crime上的实验结果表明,本文方法的AUC指标提升了2.79%.     

结合局部加权回归的时序异常检测方法研究

局部加权回归是非参数学习方法,可自动规避在数据拟合过程中异常值对近邻点的影响。通过使用基于局部加权回归的时间序列分解方法,我们对时间序列进行特征分解,将原始时间序列分解为趋势项、周期项和残差项;在给出合理的检出水平阈值后,我们使用改进的格雷布斯检验法在得到残差项后对残差项进行异常值检测。经过实验证明,该方法相比传统的时间序列方法三次指数平滑法可减低离群值对模型拟合的影响,更能有效适应数据中潜存的趋势项的复杂变换,从而更加精准地找到数据中的真实异常点。