智能視頻監(jiān)控中的事件發(fā)現(xiàn)技術研究.pdf

1、智能視頻監(jiān)控是計算機視覺中的一個重要研究領域，但是，縮短底層特征與高層語義之間的差異仍然存在著相當大的困難。實驗室前課題組在研究了智能視頻監(jiān)控相關技術的基礎上，開發(fā)出了集區(qū)域入侵、遺留物體檢測、移走物體檢測、煙霧檢測、指向接近、運動路徑警戒等功能于一體的智能視頻監(jiān)控系統(tǒng)。本文嘗試在前課題組研究的基礎上實現(xiàn)更多的事件發(fā)現(xiàn)功能。本文的主要研究內容和工作總結如下:
　　1)研究了多種陰影檢測算法，并且橫向比較了這些算法的效率和準確率。不

2、同的算法對不同的場景有各自的優(yōu)勢和劣勢。其中，基于HSV顏色特征的陰影檢測算法在本文采用的六種場景實驗中表現(xiàn)良好，在準確率和計算速度的平衡上做得最好:室內場景的準確率達到95.4％，公路場景的準確率達到78.5％，而平均運算耗時只有7.1ms。在陰影檢測的基礎上，實現(xiàn)了前景檢測、目標檢測及目標跟蹤算法，并設計實現(xiàn)了一種行人徘徊事件的檢測方法。根據(jù)行人徘徊的語義特征，本文定義了四種徘徊事件判據(jù)，包括目標運動速度、目標停留時間、目標多幀內運

3、動的距離、目標當前幀位置與進入監(jiān)控區(qū)域初始位置的距離等。利用本實驗室自行拍攝的徘徊視頻進行測試，定性地驗證了本文方法的有效性與實時性。
　　2)實現(xiàn)了人群聚集事件檢測方法。本文在研究了人群密度估計、人群運動估計的基礎上，將兩種方法結合起來檢測人群聚集事件。首先利用灰度共生矩陣計算人群紋理特征，使用SVM分類器得到人群密度估計結果，然后利用光流法計算人群運動矢量，使用運動方向熵表征人群混亂程度。本文將兩種方法結合起來檢測聚集事件，避

4、免了諸如行軍、游行等情況被誤判為聚集事件。利用PETS人群數(shù)據(jù)集進行了測試，定性地驗證本文算法的有效性與實時性。
　　3)實現(xiàn)了基于時空興趣點的暴亂恐慌事件檢測。本文將原本用于人體動作姿態(tài)估計的時空興趣點引入事件發(fā)現(xiàn)領域，將時空興趣點特征進行K均值聚類，將聚類中心作為視覺詞匯，利用詞袋模型表征視頻內容，使用SVM分類器將正常視頻與暴亂恐慌視頻進行區(qū)分。本文自行搜集了48個視頻用于實驗，采用HOF特征描述子的平均檢測準確率達到83％