地铁应用场景中群体异常行为检测研究
发布时间：2022-02-10 18:35
地铁车站作为城市中场景复杂、人群密度高、客流流动性大的公共场合,安全问题不容疏忽。如何有效地利用地铁车站视频监控系统,在复杂场景下实时检测人群状态,减少群体异常行为带来的损失,具有重要的现实意义。不同于传统动作检测或分类场景,地铁监控视频中存在人群密集,异常行为种类多但数量少等特点,基于全监督学习和无监督学习的行为检测模型均不能很好地满足实际应用需求。因此,本文基于训练集中只需要正常群体行为样本的半监督学习理论来建立群体异常行为检测模型,并用深度学习端到端模型取代了传统的人工选取特征模型。主要工作如下:1.目前主流的异常行为数据集绝大多数来源于国外,与国内地铁车站的实际监控场景有一定的差别。本文在经过实际调研后,选用国内无锡地铁三阳广场站监控视频作为数据来源,自建了无锡地铁数据集。该数据集中场景复杂,人流密集、方向不一且行为多变,能够很好地反映国内地铁车站的真实监控场景。2.利用卷积自编码器具有重构正常样本空间和特征压缩的性质,本文搭建了一种基于卷积自编码器的群体异常行为检测模型。通过时间轴上的滑动窗口选取多张视频帧,将多张视频帧叠加作为卷积自编码器的输入,依据重构误差与阈值的关系来判...
【文章来源】：东南大学江苏省211工程院校985工程院校教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
深圳黄贝岭站奔跑踩踏事件[5]
数量少等特点，基于已标记的群体正常行为运动特征，分别依据概率、距离、重构和样本域等方式来搭建模型，在检测阶段将与该模型不匹配的事件判定为异常事件，具体可见2.3节。常用的半监督检测算法包括词袋模型（BagofWords，BOW）[26]、稀疏表示（sparserepresentation）[27]、隐马尔可夫模型（HiddenMarkovModel，HMM）[28]，单分类SVM（one-classSVM）[29]。文献[30-32]中，提出了稀疏重构代价的方法，通过正常样本来训练行为字典，依据测试样本在行为字典上的稀疏重构损失与阈值的关系，来判断异常事件是否发生。如图1.3所示，文献[33]首先将正常行为场景下的连续视频帧均匀切割成相同的时空梯度块（spatial-temporalgradients），通过小块的时空梯度分布表征局部的运动特征，对连续的局部运动特征进行聚类处理，使用隐马尔可夫模型（HMM）建立时序关联，耦合的HMM建立空间关联。图1.3基于HMM和耦合HMM的局部运动模式的时空关系[33]基于有监督学习的检测算法虽然可以获得较好结果，但由于群体异常行为的样本数量远远小于群体正常行为，这会导致样本数量不平衡；并且群体行为种类很难一一枚举，个别种类的事件很难代表全部异常行为。无监督学习检测算法不需要预先对训练集进行分类，通常假设群体正常行为发生频率要远大于群体异常行为，这对样本数量提出了极
畚闹饕?芯磕谌菁罢陆诎才?本文针对地铁车站中的实际监控场景，对群体异常行为的检测进行研究，主要研究内容如下：1.目前主流的异常行为数据集绝大多数来源于国外，与国内地铁车站的实际监控场景有一定的差别。本文在经过实际调研后，选用了国内无锡地铁三阳广场站6号口旁通道处，编号为V0110081的监控视频作为数据来源，自建了无锡地铁数据集。该数据集中场景复杂，包含商铺、电梯、立柱、栅栏、横幅、广告牌和监控点等，人流密集、方向不一且行为复杂多变，能够很好地反映国内地铁车站的真实监控场景。图1.4无锡地铁数据集截图2.针对诸如光流[30,34]、粒子流[35]和纹理[36]等传统人工特征提取算法效率低、场景泛化能力差等缺点，本文搭建了一种基于卷积自编码器的端到端异常行为检测模型。利用卷积自编码器能够重构正常信息但无法重构异常信息这一特性，对发生群体异常行为的视频帧进行识别。与传统的卷积自编码器异常行为检测模型不同，模型在解码阶段加入了重构过去帧序列分支，使神经网络中间层学习到的信息更丰富，提高了模型的泛化能力。3.在上文搭建的卷积自编码器检测模型基础上，本文另提出了一种基于卷积长短期记忆网络（ConvolutionalLSTM，ConvLSTM）[37]改进的模型。卷积长短期记忆网络结构不仅可以像全连接长短期记忆网络（FC-LSTM）一样建立时序关系，还可以像卷积神
【参考文献】：
期刊论文
[1]视频异常行为识别与分级预警系统[J]. 杨谦,何小海,蒋俊,吴晓红. 科学技术与工程. 2015(14)
[2]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[3]NiceVision IP实时视频分析解决方案助力中国天津地铁[J]. 中国安防. 2011(06)
[4]德州仪器达芬奇技术结合ObjectVideo OnBoard实现数字化智能视频监控[J]. 电子产品世界. 2006(10)
博士论文
[1]多任务学习的研究[D]. 李亚.中国科学技术大学 2018
本文编号：3619329
【文章来源】：东南大学江苏省211工程院校985工程院校教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
深圳黄贝岭站奔跑踩踏事件[5]
数量少等特点，基于已标记的群体正常行为运动特征，分别依据概率、距离、重构和样本域等方式来搭建模型，在检测阶段将与该模型不匹配的事件判定为异常事件，具体可见2.3节。常用的半监督检测算法包括词袋模型（BagofWords，BOW）[26]、稀疏表示（sparserepresentation）[27]、隐马尔可夫模型（HiddenMarkovModel，HMM）[28]，单分类SVM（one-classSVM）[29]。文献[30-32]中，提出了稀疏重构代价的方法，通过正常样本来训练行为字典，依据测试样本在行为字典上的稀疏重构损失与阈值的关系，来判断异常事件是否发生。如图1.3所示，文献[33]首先将正常行为场景下的连续视频帧均匀切割成相同的时空梯度块（spatial-temporalgradients），通过小块的时空梯度分布表征局部的运动特征，对连续的局部运动特征进行聚类处理，使用隐马尔可夫模型（HMM）建立时序关联，耦合的HMM建立空间关联。图1.3基于HMM和耦合HMM的局部运动模式的时空关系[33]基于有监督学习的检测算法虽然可以获得较好结果，但由于群体异常行为的样本数量远远小于群体正常行为，这会导致样本数量不平衡；并且群体行为种类很难一一枚举，个别种类的事件很难代表全部异常行为。无监督学习检测算法不需要预先对训练集进行分类，通常假设群体正常行为发生频率要远大于群体异常行为，这对样本数量提出了极
畚闹饕?芯磕谌菁罢陆诎才?本文针对地铁车站中的实际监控场景，对群体异常行为的检测进行研究，主要研究内容如下：1.目前主流的异常行为数据集绝大多数来源于国外，与国内地铁车站的实际监控场景有一定的差别。本文在经过实际调研后，选用了国内无锡地铁三阳广场站6号口旁通道处，编号为V0110081的监控视频作为数据来源，自建了无锡地铁数据集。该数据集中场景复杂，包含商铺、电梯、立柱、栅栏、横幅、广告牌和监控点等，人流密集、方向不一且行为复杂多变，能够很好地反映国内地铁车站的真实监控场景。图1.4无锡地铁数据集截图2.针对诸如光流[30,34]、粒子流[35]和纹理[36]等传统人工特征提取算法效率低、场景泛化能力差等缺点，本文搭建了一种基于卷积自编码器的端到端异常行为检测模型。利用卷积自编码器能够重构正常信息但无法重构异常信息这一特性，对发生群体异常行为的视频帧进行识别。与传统的卷积自编码器异常行为检测模型不同，模型在解码阶段加入了重构过去帧序列分支，使神经网络中间层学习到的信息更丰富，提高了模型的泛化能力。3.在上文搭建的卷积自编码器检测模型基础上，本文另提出了一种基于卷积长短期记忆网络（ConvolutionalLSTM，ConvLSTM）[37]改进的模型。卷积长短期记忆网络结构不仅可以像全连接长短期记忆网络（FC-LSTM）一样建立时序关系，还可以像卷积神
【参考文献】：
期刊论文
[1]视频异常行为识别与分级预警系统[J]. 杨谦,何小海,蒋俊,吴晓红. 科学技术与工程. 2015(14)
[2]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[3]NiceVision IP实时视频分析解决方案助力中国天津地铁[J]. 中国安防. 2011(06)
[4]德州仪器达芬奇技术结合ObjectVideo OnBoard实现数字化智能视频监控[J]. 电子产品世界. 2006(10)
博士论文
[1]多任务学习的研究[D]. 李亚.中国科学技术大学 2018
本文编号：3619329
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3619329.html
