论文部分内容阅读
近年来伴随计算机视觉技术的发展,视频监控开始向智能化方向发展。基于视频监控的异常检测作为智能视频监控的重要组成部分,具有广泛的应用空间。本文针对室内场所,运用目标检测等算法实现对监控视频的实时异常检测。本文的主要工作如下:1.提出了 Dense_YOLO目标检测模型,对YOLOv2模型进行了三个方面的改进:利用稠密网络中特征融合方式改进网络结构;使用K-means++对目标框进行聚类改进网络参数;利用迁移学习的方式对网络进行训练。实验结果表明Dense_YOLO正确率达到了 93.66%,相比YOLO v2提高了 7.06%;同时Dense_YOLO还降低了小目标检测中的漏检率。2.针对人、宠物及贵重物品这几种常见的监控目标,利用Dense_YOLO对目标的状态进行异常检测,并分别使用一般场景、光照强、光照弱、目标被遮挡、目标较小等不利条件下拍摄的监控视频进行测试,区域入侵检测、物品移动/移出检测及人流量监控三种特定目标异常检测功能分别达到92.73%、90.07%、91.58%的平均正确率。3.针对独居老人的跌倒行为,提出了基于Openpose人体关键点检测的动态检测算法,即通过计算人体质心及头部下降速率与上半身高度的比例判断是否发生跌倒。针对公共场所的打架行为,提出了以Dense_YOLO作为特征提取器、SVM作为分类器的检测算法。实验结果表明,在具有较多遮挡的情况下,跌倒行为检测和打架行为检测分别达到88.57%和83.81%的平均正确率。