畢設答辯模板南郵實用教案

1、背景(bijng)及意義 背景及意義 視頻監(jiān)控一直以來都是計算機視覺(shju)領域的一個活躍的方向，目前已經(jīng)廣泛應用于公共和私人場景中，如犯罪預防、交通控制、事故預測、病人監(jiān)控。其中包括室內(nèi)和室外場景的監(jiān)控。每天城市中的各個角落的攝像機都在采集著監(jiān)控數(shù)據(jù)。如此龐大的數(shù)據(jù)必須采取一個有效的方式去分析。而現(xiàn)在，大多數(shù)的監(jiān)控視頻數(shù)據(jù)都是通過人工監(jiān)督的，這是一個乏味且耗人力的工作，并且人工監(jiān)督實時性差，會存在監(jiān)控漏洞。不能對監(jiān)控視頻中發(fā)生的異?，F(xiàn)象及時作出報警以采取措施應對。因此視頻監(jiān)控中自動識別檢測異常行為變得迫切需要。第1頁/共17頁第一頁，共18頁。國內(nèi)外研究國內(nèi)外研究(ynji)現(xiàn)狀現(xiàn)狀國外

2、研究現(xiàn)狀 1999年，卡內(nèi)基隆大學、戴維研究中心等知名高校和研究機構研制了視頻監(jiān)視與監(jiān)控系統(tǒng)，目標開發(fā)自動視頻理解技術。歐盟長期研究項目資助研究的，基于圖像處理的視頻監(jiān)控系統(tǒng)，提供了圖像處理、理解技術來視頻數(shù)據(jù)中獲得有用的信息。馬里蘭大學研究的實時(sh sh)監(jiān)控系統(tǒng)成功，完成了人的身體部分的定位與分割。英國雷丁大學計算機項目組VIEWS項目組開展的對車輛和行人的跟蹤及其交互作用識別的研究。國內(nèi)研究現(xiàn)狀中科院基于三維線性模型、擴展的卡爾曼濾波跟蹤算法實現(xiàn)的對交通場景的視覺監(jiān)控，人的運動視頻監(jiān)控。并對目標軌跡和行為特征的學習的模糊自組織神經(jīng)學習算法做了深入研究。第2頁/共17頁第二頁，共18頁

3、。論文(lnwn)的框架第三章異常(ychng)檢測第一章 背景(bijng)介紹第二章 理論基礎第三章 基于LDA模型異常檢測第四章 實驗設置第五章 總結(jié)展望 why? 即本文研究的目的即本文研究的目的what, what, 本文主要研究工作本文主要研究工作how！ 本文如何展開對工作本文如何展開對工作的研究的研究if,then. 對于文中研究的不對于文中研究的不足提出對未來的展望足提出對未來的展望第3頁/共17頁第三頁，共18頁。論文主要(zhyo)工作目標行為(xngwi)表示問題 行為(xngwi)學習的策略LDA模型簡介基于LDA模型異常檢測實驗結(jié)果與分析總結(jié)與展望第4頁/共17頁第

4、四頁，共18頁。行為行為(xngwi)的表示的表示光流特征法 傳統(tǒng)行為一般都是基于對象的表示，通過點對點的建模，去學習運動軌跡數(shù)據(jù)的分布特征、比較軌跡點之間的相似程度。以及通過上述的方法獲得目標的完整軌跡，根據(jù)這些目標的軌跡的信息去分析并理解這些目標行為。然而在實際復雜監(jiān)控場景中，涉及到多目標的跟蹤，目標之間會頻繁遮擋，如果采用基于對象的表示方法運用傳統(tǒng)的目標檢測跟蹤方法就不能獲得目標的完整軌跡了，從而無法完成對目標行為的檢測與理解。所以采用了光流法，它是基于像素級的，無需對目標先進行( jnxng)分割以獲得其目標軌跡。此方法算法相對簡單，且對復雜視頻監(jiān)控有著很好的適應性。第5頁/共17頁第

5、五頁，共18頁。行為(xngwi)的表示不同行為表示(biosh)方法效果圖 (a) 前景像素法 (b)光流法 基于像素的行為表示(biosh)示意圖 基于對象的行為表示(biosh)示意圖第6頁/共17頁第六頁，共18頁。行為行為(xngwi)學習的策略學習的策略行為學習策略的選擇 行為學習的方法有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習在監(jiān)督學習中，所有的正常(zhngchng)樣本和異常樣本的定義都是明確的定義，并通過訓練來得到。早期的視頻異常檢測一般都是基于無監(jiān)督學習策略。然而在復雜視頻監(jiān)控場景中，包含多種目標，多類行為同時發(fā)生，且具有不可預測性的一些異常事件，監(jiān)督學習策略則完全不能運用在這些

6、場景中，我們不可能對所有正常(zhngchng)模型和異常事件訓練足夠多的樣本，且這種方法無法對未知異常事件建模。而在無監(jiān)督學習方法中，只訓練正常(zhngchng)事件的樣本，然后將測試數(shù)據(jù)集放在學習好的正常(zhngchng)模型中進行測試比較，當與學習好的概率統(tǒng)計上偏離，則認為就是異常事件。這很好的避免了監(jiān)督學習中無法對未知異常事件進行訓練的問題。第7頁/共17頁第七頁，共18頁。LDA模型模型(mxng)簡介簡介模型簡介 LDA模型最初是用來文本(wnbn)挖掘的，它采用詞袋模型，將每一篇文檔視為一個詞頻向量。每一篇文檔代表了一些主題所構成的一個概率分布，而每個主題又代表了很多單詞所構

7、成的一個概率分布。生成過程 所謂生成模型，可以認為是一篇文章的每個詞都是通過以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語。具體步驟如下： 從狄利克雷分布中取樣生成文檔i的主題分布i 從主題的多項分布i中取樣生成文檔i第j個詞的主題zi,j 從狄利克雷分布中取樣生成主題zi,j的詞語分布zj,i 從詞語分布多項式分布zi,i中采樣生成詞語wi,j第8頁/共17頁第八頁，共18頁。LDA模型(mxng)簡介LDA模型原理圖及其參數(shù)含義(hny) ，狄利克雷分布參數(shù)，分別作為主題分布和單詞分布的先驗 Nd表示詞料庫中的文檔數(shù) Nw文檔包含的單詞數(shù)，服從泊松分布 z為某一特定的主題

8、文檔中主題概率分布，服從多項分布 表示單詞-主題分布 LDA模型圖 LDA模型圖第9頁/共17頁第九頁，共18頁。基于LDA異常(ychng)行為的檢測異常的定義 首先是異常行為的定義問題，事件是很少發(fā)生的，或者之前從未觀察到過、事件是未知不可預測的。論文中關于異常事件的定義也是運用的這種特性。 檢測的策略 基于LDA模型的異常行為檢測采用孤立點檢測策略，在貝葉斯模型的框架(kun ji)下，通過訓練一個正常的模型，再對測試數(shù)據(jù)進行測試匹配，如與概率統(tǒng)計的正常模型的似然值較小，則判斷為異常事件。似然值較大，則可判斷為正常事件。第10頁/共17頁第十頁，共18頁?；贚DA異常(ychng)行為

9、的檢測 樣本(yngbn)行為示意圖 其中(a)代表的是正常樣本(yngbn)圖，(b)(c)代表兩種不同類型的異常行為示意圖樣本(yngbn)行為示意圖第11頁/共17頁第十一頁，共18頁。實驗(shyn)結(jié)果與分析建模時間與主題數(shù)關系圖 LDA模型的主題數(shù)是預先設定好的，當我們設置不同主題對行為建模會產(chǎn)生什么樣的影響？ 通過(tnggu)設置不同主題數(shù)，并記錄其建模時間結(jié)果，繪制如下表所示關系主題數(shù)建模時間(s)檢測準確率 從表中可以看出隨著主題數(shù)設置的增多，行為建模消耗時間變長，當主題數(shù)設置為5時檢測效果最佳。第12頁/共17頁第十二頁，共18頁。實驗結(jié)果(ji gu)與分析異常檢測中詞

10、頻(c pn)-主題對應關系 當主題設置為10時，經(jīng)過模型訓練得到的詞頻(c pn)-主題分布圖，它是對測試數(shù)據(jù)異常檢測的必要數(shù)據(jù)條件。詞頻(c pn)-主題對應關系示意圖如下： 主題1 主題2 第13頁/共17頁第十三頁，共18頁。實驗結(jié)果(ji gu)與分析 不同(b tn)數(shù)據(jù)庫ROC曲線圖 ROC曲線圖 圖中橫坐標為未能成功檢測出的異常的樣本的個數(shù)(FPR),縱坐標在所有實際是異常的樣本中，能被正確檢測出來事件的比例(TPR)。從圖可以得出LDA可用于模型異常行為檢測性能良好。第14頁/共17頁第十四頁，共18頁?？偨Y(jié)(zngji)與展望 研究的不足與展望 從本實驗中可知LDA模型建模

11、耗時較多，因此(ync)進一步去改善建模的現(xiàn)狀，除此之外訓練數(shù)據(jù)中正常樣本與異常樣本的比例有待商榷，什么樣的比例，才能使檢測性能達到最佳，需要我們花更多的精力去做實驗對比。 論文中所有實驗場景都是基于單攝像頭，然而實際應用場景中，一般都是較為復雜的多攝像頭同時錄入視頻，這對計算能力，網(wǎng)絡寬帶的要求都會增加很多，更重要的是如何協(xié)同多攝像頭同時工作用于數(shù)據(jù)分析。 論文是基于光流的位置和方向進行的運動特征的分析。雖然大多數(shù)情況下能適用于視頻監(jiān)控的異常事件檢測，但是對一些特殊場景的分析能力可能此方法就不適用了，具有片面性。如一個人沿著機動車正常的行走，這時依靠位置和方向則不能判斷出異常行為。第15頁/共17頁第十五頁，共18頁。謝謝 謝謝 聆聆 聽聽 ！第16頁/共17頁第十六頁，共18頁。感謝您的觀看(gunkn)！第17頁/共17頁第十七頁，共18頁。NoImage內(nèi)容(nirng)總結(jié)背景及意義。每天城市中的各個角落的