基于雙流CNN的異常行為分類算法研究.pdf

1、 國(guó)內(nèi)圖書分類號(hào)： TP391.4 學(xué)校代碼： 10213 國(guó)際圖書分類號(hào)： 621.3 密級(jí)： 公開 工程 工程碩士學(xué)位論文 碩士學(xué)位論文 基于雙流CNN的異常行為分類算法研究 碩 士 研 究 生 ： 王昕培 導(dǎo) 師 ： 王鴻鵬教授 申 請(qǐng) 學(xué) 位 ： 工程碩士 學(xué) 科

2、： 計(jì)算機(jī)技術(shù) 所 在 單 位 ： 深圳研究生院 答 辯 日 期 ： 2016年12月 授予學(xué)位單位 ： 哈爾濱工業(yè)大學(xué) 哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文 -I- 摘 要 隨著人們對(duì)公共安全的關(guān)注以及監(jiān)控設(shè)備的普及，通過人力對(duì)監(jiān)控視頻中的人體行為進(jìn)行分類存在著效率低、成本高、誤檢率高等問題，如何高效、準(zhǔn)確地對(duì)視頻中的人體動(dòng)作進(jìn)行分類，從而分析視頻中是否有異常行為是計(jì)算機(jī)視覺方向一個(gè)重要的研究課題。 本文基于雙流

3、卷積神經(jīng)網(wǎng)絡(luò)， 運(yùn)用光流圖像和彩色圖像作為網(wǎng)絡(luò)輸入， 進(jìn)行動(dòng)作分類和異常行為分類。相較于應(yīng)用特定的人工提取特征，卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)， 但是需要大量訓(xùn)練數(shù)據(jù)， 而且容易造成過擬合。 為了解決這些問題，我們需要對(duì)圖像樣本進(jìn)行信息增益，并適當(dāng)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，以便在異常行為分類任務(wù)上獲得較好的效果。 本文針對(duì)異常行為分類任務(wù)， 通過整合不同數(shù)據(jù)集， 構(gòu)建了涵蓋生活中常見動(dòng)作和異常動(dòng)作的視頻數(shù)據(jù)集。在特征表示方面，選用光流法來(lái)表達(dá)視頻動(dòng)態(tài)信息，

4、針對(duì)傳統(tǒng)光流計(jì)算慢、空幀多等缺點(diǎn)，提出了自適應(yīng)光流法來(lái)準(zhǔn)確地表示運(yùn)動(dòng)時(shí)序信息，并通過對(duì)多幀光流圖像進(jìn)行疊加獲得動(dòng)作的動(dòng)態(tài)趨勢(shì)信息。由于異常行為分類任務(wù)復(fù)雜、數(shù)據(jù)樣本缺乏，我們使用隨機(jī)裁剪、翻轉(zhuǎn)等信息增益方式來(lái)增加樣本數(shù)量、防止網(wǎng)絡(luò)的過擬合。在網(wǎng)絡(luò)模型方面，加深原有的雙流CNN網(wǎng)絡(luò)層次，通過調(diào)整超參數(shù)、改變網(wǎng)絡(luò)結(jié)構(gòu)等具體方式，來(lái)增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力，以提高異常行為分類的準(zhǔn)確率。 最后，本文比較了改進(jìn)后的網(wǎng)絡(luò)模型和原有模型以及人工提