基于動態(tài)感知與異常注意的目標描述方法研究.pdf

1、視頻異常目標檢測與分析的目的是快速檢測并定位場景中的異常，具有重要的學術研究價值與廣闊的應用前景。該課題的難點在于異常的定義在不同的應用場景中具有多樣性和復雜性，目前的研究主要集中在有限類別的簡單行為識別或者特定場景中的異常行為檢測上。
　　 人類視覺注意機制很少被考慮用作異常識別系統(tǒng)的關鍵標準。動態(tài)感知是一個基于視覺注意特性估計場景中運動元素速度和方向的過程，人類視覺對動態(tài)特征感知的優(yōu)先級要大于其他低層特征，在感知范圍內(nèi)的視覺

2、刺激被注意，在范圍之外則被忽略。動態(tài)感知的建模為異常檢測方法提供了一種新的思路。
　　 異常檢測方法通常先建立正常行為的先驗模板或統(tǒng)計參數(shù)模型，計算待檢測樣本與先驗模板（或模型）的差別來判別異常，驚奇計算模型基于貝葉斯理論來衡量先驗分布與后驗分布之間的差別。
　　 有效的異常檢測算法關鍵在于提取出的特征是否具有高效的分類性能和描述行為的最精簡表示性。近期研究表明，人類視覺系統(tǒng)具有對自然場景中關鍵信息的稀疏“捕獲”能力，稀

3、疏編碼模型能夠以最精簡的基向量來表達場景中行為。
　　 針對上述問題，本文開展基于動態(tài)感知模型、驚奇計算模型與稀疏編碼模型的異常目標描述方法研究。
　　 論文的主要工作和創(chuàng)新如下:
　　 1)結合人類視覺系統(tǒng)具有運動注意機制，提出一種基于動態(tài)感知模型的異常目標發(fā)現(xiàn)方法，采用基于DCT塊分類的運動注意模型，對動態(tài)感知區(qū)域建模得到運動注意塊集合，提取運動注意塊的HNF特征作為特征樣本，對其稀疏編碼建模生成字典。使用重

4、構誤差作為目標函數(shù)進行異常目標發(fā)現(xiàn)的判別。實驗表明該算法是有效和實用的，且易于實現(xiàn)。
　　 2)針對視頻中異常發(fā)生時導致先驗分布與后驗分布的顯著差別，提出一種基于貝葉斯驚奇計算模型的群體異常發(fā)現(xiàn)方法，首先提取場景中每一幀的運動矢量圖，然后計算出多尺度運動直方圖特征，基于驚奇計算模型獲得每一幀的驚奇度，根據(jù)驚奇度的大小來判斷當前幀中是否含有群體異常。該方法能夠發(fā)現(xiàn)特定類別的群體異常行為（四散逃逸），實驗結果與真實結果比較顯示了該方

5、法的有效性。
　　 3)提出一種基于貝葉斯驚奇計算模型的個體異常發(fā)現(xiàn)方法，用混合高斯模型對背景建模，檢測出前景目標并計算其圍盒長寬比，同時進行每幀圖像的光流場估計，提取前景目標的平均速度，利用二元驚奇計算模型檢測出時間上具有突然變化特征值的異常目標。實驗表明算法能有效檢測出奔跑、摔倒兩類的個體異常。
　　 4)結合人類視覺系統(tǒng)具有對自然場景中關鍵信息的稀疏“捕獲”能力，提出一種基于稀疏編碼模型的群體異常發(fā)現(xiàn)方法，提取每一

6、幀的多尺度運動直方圖，通過快速稀疏編碼算法學習字典，場景中的高維特征基于字典的重構誤差超過預設閾值，則判斷為異常，實現(xiàn)幀級場景異常檢測，實驗結果與真實結果比較表明本方法能夠及時對場景中的群體異常報警。
　　 5)提出一種基于稀疏編碼模型的異常發(fā)現(xiàn)方法，以場景中的時空興趣點作為候選檢測位置，提取正常場景中的HOF/HOG高維特征，通過快速稀疏編碼算法學習字典，基于字典的重構誤差超過預設閾值則判斷為異常。實驗表明該方法在簡單場景中對