面向智能視頻監(jiān)控的事件檢測(cè)建模及優(yōu)化.pdf

1、本文主要探討貝葉斯網(wǎng)絡(luò)(BayesianNetwork,BN)以及隱馬爾科夫模型(HiddenMarkovModel,HMM),在智能視頻監(jiān)控系統(tǒng)(IntelligentVideoSurveillanceSystem,IVSS)中出現(xiàn)的事件進(jìn)行檢測(cè)、建模、應(yīng)用、及對(duì)其優(yōu)化,具體指對(duì)監(jiān)控事件的檢測(cè)、針對(duì)特定監(jiān)控事件的建模方式以及本地化、與網(wǎng)絡(luò)模型相關(guān)的結(jié)構(gòu)優(yōu)化和參數(shù)優(yōu)化、以及對(duì)監(jiān)控事件檢測(cè)質(zhì)量的評(píng)價(jià)。近年,隨著網(wǎng)絡(luò)技術(shù)、集成電路技術(shù)、計(jì)算

2、機(jī)技術(shù)、嵌入式技術(shù)及計(jì)算機(jī)視覺(jué)(ComputerVision,CV)技術(shù)的進(jìn)一步發(fā)展,以及人們對(duì)降低監(jiān)控系統(tǒng)成本、提高系統(tǒng)效率、增加系統(tǒng)智能度的迫切要求下,IVSS已經(jīng)成為下一代帶的視頻監(jiān)控系統(tǒng),并逐漸引起了國(guó)內(nèi)外的廣泛關(guān)注。基于CV算法的智能圖像處理作為IVSS的重要實(shí)現(xiàn)環(huán)節(jié)更是研究的重中之重。然而,由于很多優(yōu)秀的CV算法往往需要較大的計(jì)算復(fù)雜度,而計(jì)算復(fù)雜度較低的CV算法則往往無(wú)法滿足所需要的檢測(cè)精度,導(dǎo)致很多完全基于CV算法所建立

3、起來(lái)的IVSS其實(shí)用性有待提高。隨著對(duì)BN概率統(tǒng)計(jì)模型研究、隱馬爾科夫模型等一系列突破性工作以及對(duì)認(rèn)知過(guò)程(CognitiveProcess)的發(fā)現(xiàn)和挖掘,科學(xué)家開(kāi)始轉(zhuǎn)向CV算法與認(rèn)知過(guò)程融合的研究。普遍認(rèn)為,認(rèn)知過(guò)程的引入可以提高系統(tǒng)的魯棒性、提升檢測(cè)質(zhì)量、減低模型建模難度、降低系統(tǒng)優(yōu)化所需要的數(shù)據(jù)量、以及降低系統(tǒng)的計(jì)算復(fù)雜度。現(xiàn)有的實(shí)驗(yàn)事實(shí)也說(shuō)明了這一點(diǎn)。基于認(rèn)知過(guò)程的這些優(yōu)點(diǎn),本文考慮將認(rèn)知過(guò)程引入到IVSS當(dāng)中,以提供更準(zhǔn)確、更

4、快速、更簡(jiǎn)單的系統(tǒng)模型為目的,構(gòu)成以前景背景分割、監(jiān)控事件建模、以及模型優(yōu)化三大塊組成的IVSS。本文的具體研究?jī)?nèi)容分為以下三個(gè)部分:首先,本文探討基于CV算法的前景背景分割方法。作為IVSS的CV算法部分,前景背景分割方法為認(rèn)知過(guò)程提供前景掩模(ForegroundMask)以及簡(jiǎn)單的連通區(qū)域分割信息?？紤]到實(shí)際IVSS當(dāng)中會(huì)大量出現(xiàn)攝像頭噪點(diǎn)、頻繁的背景擾動(dòng)、以及光照變化等狀況,本文提出自適應(yīng)調(diào)整的高斯混合模型(AdaptiveAd

5、justedGaussianMixtureModel,AAGMM)作為前景背景分割方法,即使用高斯混合模型(GaussianMixtureModel,GMM)作為基礎(chǔ),加入對(duì)紋理(Texture)以及亮度(Intensity)特征的識(shí)別,引入訓(xùn)練像素(TrainingPixel),從而增強(qiáng)GMM對(duì)頻繁背景擾動(dòng)以及快慢光照變化的魯棒性。同時(shí),為了減輕GMM的計(jì)算復(fù)雜度,本文提出一種基于最大期望算法(ExpectationMaximizat

6、ion,EM)的在線自學(xué)習(xí)(OnlineOptimization)方案,進(jìn)而在保障檢測(cè)精度的前提下減低CV算法部分所需要的時(shí)間。其次,本文分別探討基于認(rèn)知過(guò)程的兩種監(jiān)控事件建模方法以及他們各自的模型優(yōu)化方案。從系統(tǒng)精度要求出發(fā),本文首先提出一種基于BN的監(jiān)控事件的IVSS建模方法,并將其實(shí)際運(yùn)用在非法入侵(IllegalAccess,IA)事件以測(cè)試其實(shí)用性以及檢測(cè)精度。同時(shí),考慮基于BN的建模方法其優(yōu)化過(guò)程中搜索空間過(guò)大的問(wèn)題,本文摒

7、棄傳統(tǒng)EM算法優(yōu)化的方法,提出基于遺傳算法(GeneticAlgorithm,GA)的BN優(yōu)化方式,并展開(kāi)討論針對(duì)實(shí)際BN模型的優(yōu)化方法。之后,考慮基于BN的建模方法其系統(tǒng)靈活性較低的問(wèn)題,本文提出一種基于混合層HMM(CrossLayerHMM,CLHMM)的判決網(wǎng)絡(luò)建模方法。該方法在分層的HMM(LayeredHMM,LHMM)基礎(chǔ)上加入了跨層的事件推導(dǎo)關(guān)系,達(dá)到減少系統(tǒng)冗余、降低優(yōu)化復(fù)雜度、提升系統(tǒng)建模靈活性、減少優(yōu)化所需數(shù)據(jù)量、

8、同時(shí)保證檢測(cè)質(zhì)量的目的。最后,針對(duì)IA事件檢測(cè),本文對(duì)基于BN以及CLHMM的兩種建模方法進(jìn)行實(shí)驗(yàn)并從檢測(cè)精度、誤警率、檢測(cè)耗時(shí)、優(yōu)化耗時(shí)、魯棒性等方面評(píng)價(jià)他們的檢測(cè)效果。另外,本文對(duì)這兩種建模方法進(jìn)行了系統(tǒng)化的比較。實(shí)驗(yàn)證明,基于BN以及CLHMM的兩種建模方法都可以達(dá)到和基于CV算法的IVSS相當(dāng)?shù)臋z測(cè)精度,并且能夠在實(shí)際的IVSS中達(dá)到實(shí)時(shí)處理的效果;從系統(tǒng)復(fù)雜度來(lái)看,CLHMM相對(duì)于BN有明顯的優(yōu)勢(shì),因此更適合實(shí)際IVSS的應(yīng)用