关键词：
智能视频分析
视频异常事件检测
高阶特征
显著性检测
视频认证
摘要：
近年来,随着计算机与互联网技术的飞速发展和社会各领域对安全需求的不断增长,智能视频分析技术得到了蓬勃发展。智能视频分析就是综合运用人工智能、机器学习及计算机等多学科理论与方法,对视频内容进行分析、理解,实现对异常事件的自动检测及预警,是目前大数据智能分析领域重要的研究方向之一,具有重要的理论意义和广泛的应用前景。另一方面,视频数据飞速增长,由此带来的对视频数据的安全保护问题也成为当前研究的热点。本文针对智能视频分析中的异常事件检测及其在视频安全认证领域的关键问题展开深入研究,旨在提高智能视频分析系统的效率和智能化水平。通过深入挖掘视频内容的运动属性,扩展人类视觉认知机制在视频分析领域中的应用,探寻更有效的视频事件表示与模型构建方法,提高视频异常事件检测的性能。此外,为了实现对视频的安全保护,以异常事件检测为基础,对视频认证和篡改恢复展开研究。主要工作如下:一、考虑到视频中的异常事件往往表现为运动的突变,而传统基于光流统计信息的视频描述方法通常侧重于对运动速度的描述,忽视了对速度变化情况的刻画。因此,提出基于高阶特征的视频事件表示方法,利用表征高阶运动信息的高阶特征实现对视频运动变化的描述和表达,更充分、全面地刻画视频中的运动信息。为避免跟踪算法在处理复杂、拥挤场景时的不足,提出短时光流跟踪算法获取目标的高阶运动特征。为了使提出方法适应更多的视频场景,又融合了传统的低阶特征,并通过构建回归模型在线地确定低阶和高阶特征的最优融合权重。通过在经典的全局和局部异常视频数据库上的大量实验,验证了基于高阶特征的异常检测方法的有效性。二、视频内容中的异常往往表现为视觉显著,而视觉注意机制是高效处理海量、高维度和冗余数据的有力工具,因此,提出基于空时显著性的异常事件检测方法。根据空时显著度将非显著区域去除,在此基础上进一步对异常进行检测。由于冗余内容的去除,使得高效地构建整个场景的正常事件模型成为可能,因此通过对视频内容的区域划分技术,用区域级模型代替块级模型。这不仅大大降低了模型构建的时间成本,而且有效解决了块级模型样本不充分问题,提高了检测性能。在显著度图构建方面,提出两种空间显著度图构建方法,并分别与时域显著度图融合,从空时角度全面地实现对视频显著区域的检测。两种空间显著度图构建方法如下:1.基于扩展区域对比度和有监督局部保持投影(Extended Region Contrast and Supervised Locality Preserving Projection,ERC-SLPP)的图像显著性检测模型。为增加图像显著区域与其它区域的对比度,充分利用“图像的边界多为背景”的先验,通过扩展图像边界,实现突出显著目标、抑制背景的目的。同时,考虑高维底层视觉特征之间的冗余特性及噪声问题,采用有监督局部保持投影对特征进行维数约简。为进一步提高检测性能,对基于扩展区域对比度与基于有监督局部保持投影的显著度图进行融合。大量的实验结果验证了ERC-SLPP在图像显著性检测中的有效性。2.基于改进多流形排序(Improved Multi-Manifold Ranking,IMMR)的图像显著性检测方法。从图像中的非显著区域出发,将显著性检测看成是一个多流形排序问题。使用来自于多个视角的特征协同检测显著性,并通过优化策略深入发掘各特征间的相互关系,实现在显著度图构建过程中的特征融合。在多个经典数据库上的大量实验表明,IMMR的图像显著性检测性能优于现有方法。在进行基于显著性的视频异常事件检测时,分别结合以上两种方法构建空时显著度图,在此基础上进行异常事件检测。大量的实验结果证明了提出的基于显著性的异常检测算法的优异性能。三、为了实现对视频的安全认证,提出基于异常检测的视频认证与自恢复方法。由于异常区域往往是视频中的重要及敏感区域,以“重要对象重点保护”为原则,提出分层的恢复方案,实现对异常区域的无损恢复的同时提高算法的恢复能力。为了确保嵌入前后提取的异常区域一致,使用合成帧代替原始视频帧来进行异常检测。在双重水印嵌入过程中,基于异常区域自适应地选取嵌入位置和嵌入方案,实现盲提取与自恢复。实验结果表明,该方法能够准确实现对空域、时域和空时域篡改的定位,对一定程度的空间域篡改具有很好的重构能力,且能够对异常区域实现无损恢复,有效地实现了对视频内容的安全保护。
欢迎来到三峡大学图书馆！
