基于轨迹分析监控视频安全异常检测

《基于轨迹分析监控视频安全异常检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：签字日期：年月日我是爱天大的！！学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部

2、门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日摘要监控系统提供了收集信息和辅助保障安全的功能，随着如今监控视频数据的日益庞大，人工的视频分析越来越乏力，自动化的视频分析手段更显重要，但当前的性能都不甚理想。如今越来越先进的摄像设备提供了大量移动对象的轨迹数据，例如行人、车辆、船舶、飞机等。而船只的突然停止，车辆的超速行驶，行人的错误行走方向等都有可能导致一定的危险。所以充分的利用这些轨迹数据，及时检测出这些异常显得尤为重要。在本文中，我们提出了一种有效快速的基于轨迹分析的监控视频异常检测方法。首

3、先将每个运动对象的运动轨迹上的采样点位置信息转换为运动对象的速度信息和角度信息，然后通过基于二维核密度估计函数的统计模型来进行刻画，从而同时考虑到对象的运动速度和轨迹形状，并且能够很好的克服对象跟踪中存在的噪声问题等。本文通过机器学习的框架来完成异常检测的任务，及首先通过学习的方法来对正常、异常轨迹进行聚类，然后通过对象轨迹分类来判定异常与否。因为在监控视频中一条轨迹的异常与否是没有任何先验知识的，因此建立一个有监督的训练集是不可行的。所以我们假设训练集中大部分的行为轨迹是正常的，然后在轨迹学习中使用无监督的训练集进行聚类，其中聚类个数的优化选择是通过最大化互信息来实现的，最后利

4、用香农墒作为度量来完成异常轨迹的定义。本文在丰富多样的测试数据，包括模拟数据和真实数据上进行方法的评估，实验结果对算法的学习和分类结果进行了量化的比较，都显示我们所提出使用二维核密度估计进行统计建模，巴氏距离作为分布间相似性度量，利用互信息选择优化聚类个数，结合信息论判定异常轨迹的方法有非常优秀的表现，并胜过最新型的一些该领域方法。关键词：异常检测，轨迹分析，二维核密度估计，互信息ABSTRACTSurveillancesystemsprovidethecapabilityofcollectinginformationandenhancingsafety.Vastamountso

5、fvideodatarendermanualvideoanalysisuseless,soautomaticvideoanalyticstechniquesbecomeveryimportant.Unfortunately,recentautomaticvideoanalytictechniqueshaspoorperformance.Moreandmoreadvancedsurveillancesystemsprovidinghugeamountsoftrajectorydataofmovingobjects,suchaspedestrians,vehicles,vessels

6、andplanes.Vessels’unexpectedstop,vehicles’overspeed,pedestrians’incorrectwalkdirectionmayindicatethreatsordangers.Thus,thereisstrongdemandforautomateddetectionofabnormalbehaviorutilizingthetrajectorydata.Inthisthesis,weproposeanewapproachbasedontrajectoryanalysisasaneffectiveandefficientwayfo

7、rtheabnormaldetection.Firstly，wetranslatethepositioninformationofthesamplepointbelongstocorrespondingtrajectoryintospeedinformationanddirectioninformation.Theneachtrajectoryisstatisticalmodeledbymeansofthebivariatekerneldensityestimation,cons