畢設(shè)答辯模板南郵實(shí)用教案

1、背景(bijng)及意義 背景及意義 視頻監(jiān)控一直以來都是計(jì)算機(jī)視覺(shju)領(lǐng)域的一個(gè)活躍的方向，目前已經(jīng)廣泛應(yīng)用于公共和私人場景中，如犯罪預(yù)防、交通控制、事故預(yù)測、病人監(jiān)控。其中包括室內(nèi)和室外場景的監(jiān)控。每天城市中的各個(gè)角落的攝像機(jī)都在采集著監(jiān)控?cái)?shù)據(jù)。如此龐大的數(shù)據(jù)必須采取一個(gè)有效的方式去分析。而現(xiàn)在，大多數(shù)的監(jiān)控視頻數(shù)據(jù)都是通過人工監(jiān)督的，這是一個(gè)乏味且耗人力的工作，并且人工監(jiān)督實(shí)時(shí)性差，會(huì)存在監(jiān)控漏洞。不能對監(jiān)控視頻中發(fā)生的異?，F(xiàn)象及時(shí)作出報(bào)警以采取措施應(yīng)對。因此視頻監(jiān)控中自動(dòng)識別檢測異常行為變得迫切需要。第1頁/共17頁第一頁，共18頁。國內(nèi)外研究國內(nèi)外研究(ynji)現(xiàn)狀現(xiàn)狀國外

2、研究現(xiàn)狀 1999年，卡內(nèi)基隆大學(xué)、戴維研究中心等知名高校和研究機(jī)構(gòu)研制了視頻監(jiān)視與監(jiān)控系統(tǒng)，目標(biāo)開發(fā)自動(dòng)視頻理解技術(shù)。歐盟長期研究項(xiàng)目資助研究的，基于圖像處理的視頻監(jiān)控系統(tǒng)，提供了圖像處理、理解技術(shù)來視頻數(shù)據(jù)中獲得有用的信息。馬里蘭大學(xué)研究的實(shí)時(shí)(sh sh)監(jiān)控系統(tǒng)成功，完成了人的身體部分的定位與分割。英國雷丁大學(xué)計(jì)算機(jī)項(xiàng)目組VIEWS項(xiàng)目組開展的對車輛和行人的跟蹤及其交互作用識別的研究。國內(nèi)研究現(xiàn)狀中科院基于三維線性模型、擴(kuò)展的卡爾曼濾波跟蹤算法實(shí)現(xiàn)的對交通場景的視覺監(jiān)控，人的運(yùn)動(dòng)視頻監(jiān)控。并對目標(biāo)軌跡和行為特征的學(xué)習(xí)的模糊自組織神經(jīng)學(xué)習(xí)算法做了深入研究。第2頁/共17頁第二頁，共18頁

3、。論文(lnwn)的框架第三章異常(ychng)檢測第一章 背景(bijng)介紹第二章 理論基礎(chǔ)第三章 基于LDA模型異常檢測第四章 實(shí)驗(yàn)設(shè)置第五章 總結(jié)展望 why? 即本文研究的目的即本文研究的目的what, what, 本文主要研究工作本文主要研究工作how！ 本文如何展開對工作本文如何展開對工作的研究的研究if,then. 對于文中研究的不對于文中研究的不足提出對未來的展望足提出對未來的展望第3頁/共17頁第三頁，共18頁。論文主要(zhyo)工作目標(biāo)行為(xngwi)表示問題 行為(xngwi)學(xué)習(xí)的策略LDA模型簡介基于LDA模型異常檢測實(shí)驗(yàn)結(jié)果與分析總結(jié)與展望第4頁/共17頁第

4、四頁，共18頁。行為行為(xngwi)的表示的表示光流特征法 傳統(tǒng)行為一般都是基于對象的表示，通過點(diǎn)對點(diǎn)的建模，去學(xué)習(xí)運(yùn)動(dòng)軌跡數(shù)據(jù)的分布特征、比較軌跡點(diǎn)之間的相似程度。以及通過上述的方法獲得目標(biāo)的完整軌跡，根據(jù)這些目標(biāo)的軌跡的信息去分析并理解這些目標(biāo)行為。然而在實(shí)際復(fù)雜監(jiān)控場景中，涉及到多目標(biāo)的跟蹤，目標(biāo)之間會(huì)頻繁遮擋，如果采用基于對象的表示方法運(yùn)用傳統(tǒng)的目標(biāo)檢測跟蹤方法就不能獲得目標(biāo)的完整軌跡了，從而無法完成對目標(biāo)行為的檢測與理解。所以采用了光流法，它是基于像素級的，無需對目標(biāo)先進(jìn)行( jnxng)分割以獲得其目標(biāo)軌跡。此方法算法相對簡單，且對復(fù)雜視頻監(jiān)控有著很好的適應(yīng)性。第5頁/共17頁第

5、五頁，共18頁。行為(xngwi)的表示不同行為表示(biosh)方法效果圖 (a) 前景像素法 (b)光流法 基于像素的行為表示(biosh)示意圖 基于對象的行為表示(biosh)示意圖第6頁/共17頁第六頁，共18頁。行為行為(xngwi)學(xué)習(xí)的策略學(xué)習(xí)的策略行為學(xué)習(xí)策略的選擇 行為學(xué)習(xí)的方法有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)在監(jiān)督學(xué)習(xí)中，所有的正常(zhngchng)樣本和異常樣本的定義都是明確的定義，并通過訓(xùn)練來得到。早期的視頻異常檢測一般都是基于無監(jiān)督學(xué)習(xí)策略。然而在復(fù)雜視頻監(jiān)控場景中，包含多種目標(biāo)，多類行為同時(shí)發(fā)生，且具有不可預(yù)測性的一些異常事件，監(jiān)督學(xué)習(xí)策略則完全不能運(yùn)用在這些

6、場景中，我們不可能對所有正常(zhngchng)模型和異常事件訓(xùn)練足夠多的樣本，且這種方法無法對未知異常事件建模。而在無監(jiān)督學(xué)習(xí)方法中，只訓(xùn)練正常(zhngchng)事件的樣本，然后將測試數(shù)據(jù)集放在學(xué)習(xí)好的正常(zhngchng)模型中進(jìn)行測試比較，當(dāng)與學(xué)習(xí)好的概率統(tǒng)計(jì)上偏離，則認(rèn)為就是異常事件。這很好的避免了監(jiān)督學(xué)習(xí)中無法對未知異常事件進(jìn)行訓(xùn)練的問題。第7頁/共17頁第七頁，共18頁。LDA模型模型(mxng)簡介簡介模型簡介 LDA模型最初是用來文本(wnbn)挖掘的，它采用詞袋模型，將每一篇文檔視為一個(gè)詞頻向量。每一篇文檔代表了一些主題所構(gòu)成的一個(gè)概率分布，而每個(gè)主題又代表了很多單詞所構(gòu)

7、成的一個(gè)概率分布。生成過程 所謂生成模型，可以認(rèn)為是一篇文章的每個(gè)詞都是通過以一定概率選擇了某個(gè)主題，并從這個(gè)主題中以一定概率選擇某個(gè)詞語。具體步驟如下： 從狄利克雷分布中取樣生成文檔i的主題分布i 從主題的多項(xiàng)分布i中取樣生成文檔i第j個(gè)詞的主題zi,j 從狄利克雷分布中取樣生成主題zi,j的詞語分布zj,i 從詞語分布多項(xiàng)式分布zi,i中采樣生成詞語wi,j第8頁/共17頁第八頁，共18頁。LDA模型(mxng)簡介LDA模型原理圖及其參數(shù)含義(hny) ，狄利克雷分布參數(shù)，分別作為主題分布和單詞分布的先驗(yàn) Nd表示詞料庫中的文檔數(shù) Nw文檔包含的單詞數(shù)，服從泊松分布 z為某一特定的主題

8、文檔中主題概率分布，服從多項(xiàng)分布 表示單詞-主題分布 LDA模型圖 LDA模型圖第9頁/共17頁第九頁，共18頁。基于LDA異常(ychng)行為的檢測異常的定義 首先是異常行為的定義問題，事件是很少發(fā)生的，或者之前從未觀察到過、事件是未知不可預(yù)測的。論文中關(guān)于異常事件的定義也是運(yùn)用的這種特性。 檢測的策略 基于LDA模型的異常行為檢測采用孤立點(diǎn)檢測策略，在貝葉斯模型的框架(kun ji)下，通過訓(xùn)練一個(gè)正常的模型，再對測試數(shù)據(jù)進(jìn)行測試匹配，如與概率統(tǒng)計(jì)的正常模型的似然值較小，則判斷為異常事件。似然值較大，則可判斷為正常事件。第10頁/共17頁第十頁，共18頁。基于LDA異常(ychng)行為

9、的檢測 樣本(yngbn)行為示意圖 其中(a)代表的是正常樣本(yngbn)圖，(b)(c)代表兩種不同類型的異常行為示意圖樣本(yngbn)行為示意圖第11頁/共17頁第十一頁，共18頁。實(shí)驗(yàn)(shyn)結(jié)果與分析建模時(shí)間與主題數(shù)關(guān)系圖 LDA模型的主題數(shù)是預(yù)先設(shè)定好的，當(dāng)我們設(shè)置不同主題對行為建模會(huì)產(chǎn)生什么樣的影響？ 通過(tnggu)設(shè)置不同主題數(shù)，并記錄其建模時(shí)間結(jié)果，繪制如下表所示關(guān)系主題數(shù)建模時(shí)間(s)檢測準(zhǔn)確率 從表中可以看出隨著主題數(shù)設(shè)置的增多，行為建模消耗時(shí)間變長，當(dāng)主題數(shù)設(shè)置為5時(shí)檢測效果最佳。第12頁/共17頁第十二頁，共18頁。實(shí)驗(yàn)結(jié)果(ji gu)與分析異常檢測中詞

10、頻(c pn)-主題對應(yīng)關(guān)系 當(dāng)主題設(shè)置為10時(shí)，經(jīng)過模型訓(xùn)練得到的詞頻(c pn)-主題分布圖，它是對測試數(shù)據(jù)異常檢測的必要數(shù)據(jù)條件。詞頻(c pn)-主題對應(yīng)關(guān)系示意圖如下： 主題1 主題2 第13頁/共17頁第十三頁，共18頁。實(shí)驗(yàn)結(jié)果(ji gu)與分析 不同(b tn)數(shù)據(jù)庫ROC曲線圖 ROC曲線圖 圖中橫坐標(biāo)為未能成功檢測出的異常的樣本的個(gè)數(shù)(FPR),縱坐標(biāo)在所有實(shí)際是異常的樣本中，能被正確檢測出來事件的比例(TPR)。從圖可以得出LDA可用于模型異常行為檢測性能良好。第14頁/共17頁第十四頁，共18頁。總結(jié)(zngji)與展望 研究的不足與展望 從本實(shí)驗(yàn)中可知LDA模型建模

11、耗時(shí)較多，因此(ync)進(jìn)一步去改善建模的現(xiàn)狀，除此之外訓(xùn)練數(shù)據(jù)中正常樣本與異常樣本的比例有待商榷，什么樣的比例，才能使檢測性能達(dá)到最佳，需要我們花更多的精力去做實(shí)驗(yàn)對比。 論文中所有實(shí)驗(yàn)場景都是基于單攝像頭，然而實(shí)際應(yīng)用場景中，一般都是較為復(fù)雜的多攝像頭同時(shí)錄入視頻，這對計(jì)算能力，網(wǎng)絡(luò)寬帶的要求都會(huì)增加很多，更重要的是如何協(xié)同多攝像頭同時(shí)工作用于數(shù)據(jù)分析。 論文是基于光流的位置和方向進(jìn)行的運(yùn)動(dòng)特征的分析。雖然大多數(shù)情況下能適用于視頻監(jiān)控的異常事件檢測，但是對一些特殊場景的分析能力可能此方法就不適用了，具有片面性。如一個(gè)人沿著機(jī)動(dòng)車正常的行走，這時(shí)依靠位置和方向則不能判斷出異常行為。第15頁/共17頁第十五頁，共18頁。謝謝 謝謝 聆聆 聽聽 ！第16頁/共17頁第十六頁，共18頁。感謝您的觀看(gunkn)！第17頁/共17頁第十七頁，共18頁。NoImage內(nèi)容(nirng)總結(jié)背景及意義。每天城市中的各個(gè)角落的