多視場景異常目標(biāo)描述.pdf

1、多視場景異常目標(biāo)描述是在多視場景中對發(fā)生異常的目標(biāo)進(jìn)行描述，是計算機視覺領(lǐng)域內(nèi)一個具有挑戰(zhàn)性的課題。研究多視場景異常目標(biāo)描述具有重要的學(xué)術(shù)價值和廣闊的應(yīng)用前景，對于人類活動的探索研究以及國防安全、公共安全都有重要的意義。多視場景異常目標(biāo)描述的難點是:傳統(tǒng)算法對復(fù)雜場景中運動目標(biāo)檢測的準(zhǔn)確率不高;異常目標(biāo)的行為具有很大的隨機性;多視場景對異常目標(biāo)描述具有較大的影響;對目標(biāo)長時間的跟蹤與描述困難。針對上述問題，本文展開多視場景異常目標(biāo)描述的

2、研究，本文主要工作和創(chuàng)新點總結(jié)如下:
　　 1).針對傳統(tǒng)的運動目標(biāo)檢測方法準(zhǔn)確率較低的問題，提出一種基于條件隨機場模型的運動目標(biāo)檢測方法，該方法通過提取視頻序列的運動特征和顏色特征，然后利用條件隨機場模型對特征向量建模，實現(xiàn)對運動目標(biāo)的檢測。實驗表明，該方法的誤差率為14.38％，比傳統(tǒng)的幀間差分法誤差率81.34％、光流法誤差率33.59％、混合高斯模型法誤差率19.73％要低，時間復(fù)雜度低于光流法和混合高斯模型，接近幀間差

3、分法。
　　 2).為了利用異常目標(biāo)的多類特征，提出一種MCRF模型的異常目標(biāo)描述方法，提取目標(biāo)的多類特征，利用基本CRF模型對每類特征建模，形成多個CRF單元，組合所有的CRF單元得到MCRF模型，通過模型訓(xùn)練獲取MCRF模型的參數(shù)，最終，通過模型的推斷描述異常目標(biāo)。實驗結(jié)果表明該方法能較準(zhǔn)確描述目標(biāo)的某些特定的異常。
　　 3).針對傳統(tǒng)場景描述方法描述準(zhǔn)確率低的問題，提出一種基于隱含語義模型的場景描述方法，通過提取

4、場景的多類特征，用K-means算法進(jìn)行聚類，形成視覺單詞，再利用pLSA模型將視覺單詞劃分為具有語義的主題分布，最后采用CRF模型對語義主題分布進(jìn)行建模來描述場景。實驗表明，該方法的描述準(zhǔn)確率可以達(dá)到91.4％，優(yōu)于SVM、Bayes模型。
　　 4).由于傳統(tǒng)的異常目標(biāo)描述方法并未考慮場景的影響，提出一種基于團(tuán)塊與軌跡特征的異常目標(biāo)描述方法。通過場景描述形成團(tuán)塊，提取運動目標(biāo)的軌跡特征，并組合團(tuán)塊和運動目標(biāo)的軌跡特征，形成組

5、合特征向量，利用HMM模型對組合特征向量建模，描述異常目標(biāo)，實驗表明該方法能將場景的語義狀態(tài)融合到目標(biāo)的運動軌跡中，實現(xiàn)了場景和目標(biāo)的結(jié)合，對于描述某些特定場景的異常目標(biāo)具有較大的意義。
　　 5).針對單視場景不能長時跟蹤和描述目標(biāo)的問題，提出一種多視場景異常目標(biāo)描述方法。利用場景描述方法對多視場景依照設(shè)定的順序進(jìn)行語義描述，提取運動目標(biāo)在多視場景中的軌跡特征，組合多視場景的語義描述與軌跡特征，形成組合特征向量，再利用HMM對