《面向複雜公眾場景安全監控的異常行為快速檢測與識別》是依託北京航空航天大學，由王田擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向複雜公眾場景安全監控的異常行為快速檢測與識別
- 依託單位：北京航空航天大學
- 項目負責人：王田
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
公眾場景是涉及人們日常生活與社會活動的重要場所，其安全監控事關國計民生與社會穩定。本項目從複雜公眾場景之視頻監控圖像的分析理解入手，研究異常行為的快速檢測與識別，及其嚴重程度的分級預警等關鍵理論方法和實現算法。主要研究內容為：（1）研究多源視頻圖像的時空動態特徵提取、壓縮和優選方法，進而通過深度學習挖掘，以得到高效的深層次特徵。（2）針對複雜環境下的大視野監控場景，通過場景區域劃分確定典型區域，針對區域行為特徵進行分類，並利用核方法最佳化和稀疏表達數據約減，提出異常行為的快速檢測算法。（3）根據異常行為的檢測結果，研究異常區域的行為嚴重性評估與識別方法，進而結合識別結果再輔以模糊邏輯與標記分布學習實現異常行為的快速分級預警，為進一步最佳化決策提供評判依據。本項目的研究成果將發展和豐富複雜公眾場景異常行為快速檢測與識別的理論方法和技術工具，可為實現智慧型化安全監控和高效應急決策提供重要技術支持。
結題摘要
在國家自然科學基金委資助下，課題組圍繞基於複雜公眾場景視頻圖像分析理解的特徵提取與優選、基於運動行為分類的異常行為快速檢測方法、複雜公眾場景中的異常行為識別與分級預警這三個主要的研究內容開展研究。針對遠距離多攝像頭監控的複雜場景，提出了基於時空配準的特徵融合方法。在特徵表描述方面，本項目提出了多感興趣區域的協方差的特徵描述子，基於卷積自編碼的特徵描述方法。在異常行為檢測方面，提出了基於機率模型深度學習的特徵提取與全局與局部異常事件檢測算法，變分自編碼網路的基礎結構為全連線網路，這使得其無法提取輸入圖片的局部特徵，無法充分利用圖像的局部相關性的特點。將卷積神經網路與變分自編碼結合，充分利用卷積神經網路提取圖像局部特徵和變分自編碼學習輸入潛在分布的優勢，提升異常行為檢測的效果。在分級預警方面，基於自編碼的重建誤差進行分級，並建立了相關檢測數據集與軟體模型。針對監控視頻情報大數據中的行為識別問題，提出基於深度學習與遷移學習的時空特徵挖掘方法。面向小數據集上深度網路模型難以訓練的問題，提出了內部遷移學習算法。針對複雜場景中目標運動狀態分析的需求，提出了基於局部特徵學習的快速實時判別型跟蹤方法。搭載攝像頭採集設備的無人設備廣泛的套用於圖像獲取與監控方面，針對大範圍場景的監控需要，結合現今的無人機的發展，設計了基於多無人機動態相機網路的異常行為檢測與目標搜尋策略。本項目嘗試將理論套用於感測器數據的異常檢測、工業產品的異常檢測，這些套用的拓展也取得了良好的效果。在本項目的支持下，作為碩士導師帶的第一名碩士生喬美娜獲得北京航空航天大學十佳研究生、國家獎學金、優秀畢業論文、優秀畢業生，本人獲得優秀畢業論文指導教師。發表SCI期刊論文14篇，EI期刊論文3篇，EI會議論文13篇，中文核心期刊論文1篇，教改論文2篇。申請發明專利7項，獲得軟體著作權1項。
