複雜場景下監控視頻目標的運動模式挖掘方法研究

《複雜場景下監控視頻目標的運動模式挖掘方法研究》是依託中國人民解放軍國防科技大學，由李國輝擔任項目負責人的面上項目。

基本介紹

• 中文名：複雜場景下監控視頻目標的運動模式挖掘方法研究
• 項目類別：面上項目
• 項目負責人：李國輝
• 依託單位：中國人民解放軍國防科技大學

中文摘要

本項目採用數據挖掘和監控視頻處理相結合的思想，研究和探討新的適合複雜場景的監控視頻高層分析和挖掘的理論和方法，把監控視頻數據流中隱含的、有價值的目標運動模式挖掘出來。針對複雜監控場景視頻中目標軌跡受噪聲（光線、遮擋、陰影重疊）影響下難以提取的問題，採用統計、時序和上下文相結合的群目標運動建模和運動模式挖掘思路，研究魯棒性較高又能夠提取時序行為的監控視頻挖掘方法，獲取客觀的目標運動模式，而不同於當前的監控視頻事件檢測技術和基於軌跡的模板匹配方法中採取人工指定的運動模型方式。本項目研究內容包括：運動目標的頻繁和關聯軌跡挖掘、基於時空模型的行為聚類、基於上下文信息的意外行為模式發現與預測、基於運動模式的視頻摘要，挖掘出頻繁軌跡模式、顯著行為模式、意外行為模式和摘要模式。通過本項目研究，期望在監控視頻的運動模式挖掘的基礎理論和方法上有所突破，為監控視頻計算機智慧型處理及其套用提供理論基礎。

結題摘要

本項目針對複雜監控場景視頻中目標軌跡受噪聲影響下難以提取的問題，採用統計、時序和上下文相結合的群體目標運動建模和運動目標模式挖掘思路，其不同於當前的監控視頻事件檢測技術和基於軌跡的模板匹配方法中採取人工指定的運動模型方式。本項目研究成果包括群體行為時空模型的構建和複雜場景下的群體事件發現與挖掘。具體成果表現在五個方面: 　　提出一種基於運動向量交叉點的群體事件檢測方法。首先獲得運動向量交點集合，它們體現群體事件對象之間的空間關係和運動趨勢。然後，對運動向量交叉點套用基於密度的聚類，剔除噪點，找到多個聚類簇，每個簇與對應區域內發生的事件有關。最後通過投票得到事件發生的機率。針對特定範圍內發生的特定密度的事件，通過參數控制的方式，發現多箇中心的群體事件，及其聚集或分散中心。實驗結果表明算法可以有效檢測同時出現的多個事件，並且對於光照陰影具有較強的魯棒性。 　　提出一種群體異常行為檢測的行為熵模型，基於場景時空信息並藉助資訊理論和熱力學的理論定義像素行為確定性，通過確定像素行為確定性計算像素的行為熵，場景行為熵和行為熵分布可以分別用來檢測和定位異常行為。對若干個經典資料庫進行了實驗，結果表明該方法能夠成功地捕捉群體動態行為，並且在監測和定位異常行為方面優於一些經典的方法。 　　針對視頻監控中可能存在無負樣本的問題，提出了數據描述非負矩陣分解方法，通過融合數據描述和非負矩陣分解，並進行疊代最佳化，對正常場景構建“閉包”。算法可以檢測無異常訓練樣本情況下的異常檢測問題，檢測速度快，和經典算法對比有一定優勢。 　　提出一種使用運動特徵發現其潛在語義內容的方法。在特徵統計估計階段，將軌跡曲線中的拐點特徵加入到核密度估計過程中，得到準確平滑的方向多性態分布；使用隱馬爾科夫模型估計軌跡子類中存在的串列或並行空間模式。最後以運動特徵分布為基礎，提出一種基於運動相似性的軌跡層次聚合模型。實驗結果表明，該模型可以有效的分析軌跡序列集的潛在結構，反映了場景中存在的運動區域信息。 　　針對視頻監控過程，使用運動目標的狀態特徵描述場景中存在的語義內容。基於DBSCAN聚類模型學習特徵集的潛在結構，生成了運動行為模式集。使用高級Petri網刻畫模式間的連續、並發等時序關係，構成複雜語義事件探測模型。實驗結果中給出了事件Petri網的具體建模過程，並演示了“停留”與“偷車”兩個感興趣事件的探測結果。