基于视频的人群异常事件检测方法研究与实现

发布时间：2025-05-29 03:14

　　公众场所人群异常事件的及时发现有利于相关部门实时响应与救援,最大限度降低群众人身伤亡和财产损失。随着视频监控的普及与发展,通过视频智能分析实时检测异常,及时预警,已成为一种重要手段。现有基于视频的异常检测方法在复杂场景、噪声等因素影响下,容易出现漏报和误报。因此,提升基于视频的异常事件检测方法在复杂场景下的适应能力成为重要的研究方向。本文主要研究并实现基于视频的人群异常事件检测,分别提出适用于全局异常和局部异常检测的两种方法,设计并实现了基于视频分析的人群异常事件检测软件,可以检测视频监控中人群的异常事件。具体工作如下:在局部异常事件检测方面,提出一种改进的卷积自编码器深度学习模型。该模型是一种无监督学习模型,在传统卷积自编码器的基础上加入长短期记忆网络,通过卷积层,提取正常人群运动的外观特征;通过长短期记忆网络,捕捉外观特征的时间相关性,实现正常人群运动的深度时空特征提取;在检测阶段,将该模型的标准化重建误差作为异常评分指标,进行异常判定。在Avenue数据集、UCSD ped1和ped2数据集进行仿真实验,实时检测的AUC值分别达到84.20%、84.65%和89.32%,EER值分...

【文章页数】：103 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
引言
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 人群特征提取
        1.2.2 异常事件检测
    1.3 主要研究内容及结构安排
        1.3.1 本文主要研究内容
        1.3.2 本文结构安排
2 异常事件检测相关技术研究
    2.1 基于聚类的检测方法
    2.2 基于重构的检测方法
    2.3 基于统计的检测方法
    2.4 基于深度学习的检测方法
        2.4.1 自编码器
        2.4.2 递归神经网络
3 基于改进卷积自编码器的异常事件检测方法
    3.1 视频图像预处理
        3.1.1 提取视频帧
        3.1.2 图像去噪
        3.1.3 归一化
        3.1.4 零均值化
        3.1.5 合成数据块
    3.2 模型构建
        3.2.1 卷积自编码器
        3.2.2 卷积长短期记忆网络
        3.2.3 模型网络结构
    3.3 模型训练
        3.3.1 模型训练超参数设置
        3.3.2 模型训练
    3.4 异常事件检测
    3.5 仿真实验与结果分析
        3.5.1 数据集
        3.5.2 性能评价指标
        3.5.3 异常事件检测
        3.5.4 检测方法性能评价
    3.6 本章小结
4 基于前景目标提取和光流特征的异常事件检测方法
    4.1 ViBe算法提取前景目标
        4.1.1 前景目标提取
        4.1.2 图像形态学处理
    4.2 Horn-Schunck算法提取光流特征
    4.3 异常事件检测
    4.4 仿真实验与结果分析
        4.4.1 数据集
        4.4.2 性能评价指标
        4.4.3 异常事件检测
    4.5 本章小结
5 基于视频的人群异常事件检测软件设计与实现
    5.1 开发环境
    5.2 需求分析
    5.3 软件设计
        5.3.1 用户登录模块
        5.3.2 局部异常事件检测模块
        5.3.3 全局异常事件检测模块
    5.4 软件实现
        5.4.1 用户登录模块
        5.4.2 局部异常事件检测模块
        5.4.3 全局异常事件检测模块
    5.5 本章小结
结论
参考文献
在学研究成果
致谢



本文编号：4048636