基于在線自適應(yīng)字典學習的視頻異常事件檢測技術(shù)研究.pdf

1、近年來，基于稀疏表示的異常事件檢測成為計算機視覺領(lǐng)域的一個研究熱點，該方法通常要使用正常樣本離線訓練一個字典，然后對待檢測的樣本進行稀疏表示。其主要問題在于：一方面，實際應(yīng)用環(huán)境中的場景與事件是不斷變化的，離線訓練的模型并不能很好地適應(yīng)這種變化，通常會降低檢測準確率。另一方面，為了使字典具有較好的表示性，字典的規(guī)模往往比較大，在進行稀疏表示時耗時長，會大大降低檢測速度。針對上述問題，本課題研究了一種基于在線自適應(yīng)字典學習的異常事件檢測算

2、法，主要的研究內(nèi)容包括：
　　提出了一種在線自適應(yīng)字典學習算法。在線性體現(xiàn)在該算法采用單步迭代的方式進行字典的更新，字典的學習速度快。自適應(yīng)性體現(xiàn)在該算法在進行字典更新的過程中，會將字典中向量基對當前視頻數(shù)據(jù)的活躍度考慮在內(nèi)，保證字典具有較好的表示性能。在字典的學習過程中，提出了權(quán)重矩陣的更新策略以及字典的在線更新策略。通過權(quán)重矩陣的更新策略可以對字典中的向量基對視頻數(shù)據(jù)的活躍度進行更新，而在字典在線更新的過程中，利用向量基對當前

3、視頻數(shù)據(jù)的活躍度，保證字典中的向量基始終與視頻數(shù)據(jù)的變化保持一致。因此，通過該字典學習算法得到的字典具有更好的自適應(yīng)性，字典規(guī)?？s小的同時，保持有較好的表示性。
　　將在線自適應(yīng)字典學習算法應(yīng)用到異常事件檢測當中，提出了基于在線自適應(yīng)字典學習的異常事件檢測算法。使用在線自適應(yīng)字典學習算法得到的字典規(guī)模較小，進行稀疏表示所耗費的時間少，保證該異常事件檢測算法具有較快的檢測速率。同時，該算法在異常事件檢測的過程中，采用在線更新字典的方