基於半監督線上學習的智慧型視頻監控方法研究

《基於半監督線上學習的智慧型視頻監控方法研究》是依託北京大學，由張超擔任負責人的面上項目。

基本介紹

• 中文名：基於半監督線上學習的智慧型視頻監控方法研究
• 項目負責人：張超
• 項目類別：面上項目
• 依託單位：北京大學

項目摘要

隨著社會對公共安全的日益關注，智慧型視頻監控系統套用領域不斷擴大，顯示出廣泛的套用前景和巨大的潛在經濟價值。本項目對機器學習中半監督線上學習算法進行深入研究，探索適用於智慧型視頻監控系統具體問題的半監督學習方法，通過對少量標記樣本和大量未標記樣本的線上學習，實現視頻分析中運動檢測、目標跟蹤和行為分析等關鍵算法的線上更新，使系統能夠適應不同場景、視點、氣候和光照等條件的動態變化，提高算法的性能。項目研究一方面要設計出符合視頻分析需要的半監督線上學習算法，探索新的線上學習方法，爭取在理論上有所突破和創新；另一方面通過半監督線上學習算法的研究與套用，提高智慧型視頻監控系統的線上學習能力，從而改善系統適應性，力爭取得具有自主智慧財產權的新型視頻分析技術，套用於實際智慧型視頻監控系統中，以解決智慧型視頻監控套用中一些急待解決的實際問題。

結題摘要

項目重點研究具有線上學習能力的智慧型視頻監控關鍵技術和方法，開發基於半監督線上學習的目標檢測、運動跟蹤、行為分析等算法，提高智慧型視頻監控系統的實時性、準確性和適應性。按照預定的研究計畫，在深入分析和研究項目需要解決的主要問題的基礎上，項目取得了如下研究成果： 在異常行為檢測方面，提出了一種基於線上更新統計異常事件檢測算法，通過線上聚類和多特徵融合的事件描述，根據未知樣本出現在相應區域的機率判斷是否屬於異常。在公共資料庫實驗驗證了該算法的實時性、穩定性、準確性等特性。 在行人檢測方面，提出了一種自適應的半監督多視角特徵選擇算法，在半監督的學習框架下，充分挖掘各個視角特徵之間的關聯性和互補性，丟棄不相關的特徵和噪聲，選擇最相關的特徵，實驗證明此分類器可以提供更加準確的頭肩描述。 在運動跟蹤方面，提出一種基於壓縮感知與魯棒PCA的目標跟蹤算法，設計了新的模板集合與線上更新策略，採用魯棒PCA約束平穩變化的動態模板的更新，利用背景模板降低背景的干擾，有效地改善了跟蹤算法的魯棒性。 在目標檢測方面，物體顯著性可以大大減少監控算法的計算壓力，提高重點關注區域的檢測和檢索效率。提出了一種滑動窗顯著物體檢測方法，在對圖像進行分割後，檢測窗內物體的顯著性定義為圖像其它部分組成檢測窗的代價函式。通過一種貪婪最佳化算法計算不同位置和尺度的檢測窗顯著性，找到局部最大值的視窗確定顯著性物體。這一方法經過在公共資料庫上進行了測試，性能值得肯定。 項目的研究可以有效提升智慧型視頻監控系統的性能，部分相關成果已經套用於我國高速鐵路視頻監控系統中。 項目期間培養博士生1名，碩士生 10 名，在國際期刊和重要國際會議發表論文 10 篇，申請並獲得授權國家發明專利 1項。