基於視頻大數據分析的全天候監測場景理解技術研究

《基於視頻大數據分析的全天候監測場景理解技術研究》是依託北京郵電大學，由傅慧源擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：基於視頻大數據分析的全天候監測場景理解技術研究
• 項目類別：青年科學基金項目
• 項目負責人：傅慧源
• 依託單位：北京郵電大學

項目摘要

場景理解是智慧型視頻監控中的難點問題和最終目標，具有非常重要的研究意義。隨著城市監控設備的廣泛普及和大規模套用，視頻大數據現象逐漸凸顯。本課題主要研究基於視頻大數據分析的監測場景理解技術：考慮監測視頻大數據受環境影響大的特點，針對全天候高質量視頻獲取的挑戰，我們研究如何在各種實際監測環境中實現低質視頻的增強；考慮監測視頻大數據非結構化的特點，針對視頻大數據表示的挑戰，我們研究如何實現視頻大數據的結構化表示；考慮監測視頻大數據內容關聯性強的特點，針對視頻大數據多源聯動場景理解的挑戰，我們研究如何在複雜場景中實現大規模監測視頻的聯動理解；對提出的視頻場景理解方法，通過原型系統實現進行有效性驗證。課題將視頻大數據的分析引進場景理解，為解決大規模監測場景理解問題提供了另外一種思路。研究成果可廣泛套用於城市管理、智慧型交通等多個領域。

結題摘要

視頻場景理解技術是視頻監控領域研究的難點問題和亟需攻克的技術，具有非常重要的研究意義。隨著城市監控設備的廣泛普及和大規模套用，視頻大數據現象逐漸凸顯。針對監測視頻大數據受環境影響大、非結構化、內容關聯性強的主要特點，申請人自項目批准以來圍繞本監測視頻場景理解的任務積極開展研究工作，在該研究任務細分的三個研究課題：低質視頻增強、視頻大數據結構化表示、複雜監測視頻場景理解以及基於上述技術的全天候城市場景理解原型系統進行了深入研究。 在低質視頻增強方面，我們提出面向監控視頻圖像的多類天氣環境下的低質視頻分類模型，並提出面向夜晚環境下的低質視頻增強方法。在視頻大數據結構化表示方面，我們提出基於動態圖模型的視頻大數據結構化表示方法，並提出面向分散式交通監控視頻的數據存儲與快速檢索方法。在複雜監測視頻場景理解方面，我們提出一種基於分層的SVM的車輛分類方法，一種面向廣域交通監測場景理解中車輛如何重識別的關鍵解決方法，一種面向行人的局域熱點區域場景理解的關鍵方法，一種面向動態場景理解中前後背景分離的關鍵方法，一種面向視頻大數據挖掘中對人的異常行為實時分析的關鍵方法，以及一種基於視頻大數據的火情檢測方法。同時，我們開發完成了一個基於視頻大數據的全天候城市場景理解原型系統。 大量的實驗表明，我們提出的低質視頻分類模型在所蒐集的複雜分類天氣視頻數據集上達到了70%以上的準確率，提出的基於時空關聯圖模型的視頻監控目標跟蹤方法可以達到比傳統方法高10%以上的準確率，提出的車輛分類方法達到了近90%的準確率，提出的基於深度神經網路模型的車輛重識別方法在mAP指標上比經典的Googlenet方法高出2個百分點，提出的基於深度神經網路的步態識別方法在各個監控視角下都達到了90%以上的識別準確率。本項目的成果套用可遍及城市管理、智慧型交通、公共安全、環境保護、現代服務、平安城市等多個領域，潛在的經濟和社會效益顯著。