發(fā)布時(shí)間：2024-04-16 02:05

　　隨著智能化視頻監(jiān)控的發(fā)展,越來越多的視頻監(jiān)控設(shè)備被應(yīng)用到安防的各個(gè)領(lǐng)域,通過視頻監(jiān)控系統(tǒng)可發(fā)現(xiàn)存在于醫(yī)療服務(wù)工作中的漏洞及不足之處,也可為公安機(jī)關(guān)提供輔助破案的有效證據(jù)。然而隨著監(jiān)控設(shè)備的擴(kuò)增,監(jiān)控視頻的數(shù)據(jù)量也在不斷增加,傳統(tǒng)的通過人眼來對(duì)視頻中異常事件進(jìn)行識(shí)別的方法需要耗費(fèi)大量的人力物力,已經(jīng)無法滿足當(dāng)今視頻分析的需求,因此研究基于監(jiān)控視頻的智能化目標(biāo)異常行為檢測(cè)系統(tǒng)具有重要的作用。本文從視頻中目標(biāo)異常行為識(shí)別所面臨的問題出發(fā),提出了一種新的目標(biāo)異常行為檢測(cè)模型來智能化的識(shí)別監(jiān)控視頻下人體的異常行為,具體包含以下三個(gè)方面:1.提出了基于單目固定攝像頭的目標(biāo)深度估計(jì)方法。針對(duì)現(xiàn)有方法中難以直接獲取三維空間中人體深度信息的問題,本文提出了目標(biāo)深度估計(jì)方法。該方法通過測(cè)量初始值,推導(dǎo)目標(biāo)骨架關(guān)鍵節(jié)點(diǎn)的深度信息,進(jìn)而獲取人體在三維空間中的完整深度信息。2.提出了基于時(shí)空關(guān)系的骨架動(dòng)作識(shí)別模型。針對(duì)現(xiàn)有模型難以提取骨架長(zhǎng)時(shí)間序列中關(guān)鍵信息的問題,本文提出了基于時(shí)空關(guān)系的骨架動(dòng)作識(shí)別模型(LST-CNN&FS-LSTM)。其中局部時(shí)空卷積神經(jīng)網(wǎng)絡(luò)(LST-CNN)改進(jìn)了已有模型在圖像上...

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 通過原始RGB視頻圖像
        1.2.2 通過骨架序列
    1.3 論文的研究?jī)?nèi)容
    1.4 本論文的結(jié)構(gòu)安排
第二章 骨架動(dòng)作識(shí)別方法概述
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的骨架動(dòng)作識(shí)別
    2.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的骨架動(dòng)作識(shí)別
    2.5 循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的骨架動(dòng)作識(shí)別
    2.6 相關(guān)數(shù)據(jù)集介紹
    2.7 本章小結(jié)
第三章 基于單目固定攝像頭的目標(biāo)深度估計(jì)方法
    3.1 引言
    3.2 深度估計(jì)方法概述
    3.3 算法總體設(shè)計(jì)
    3.4 算法實(shí)現(xiàn)步驟
        3.4.1 初始值獲取
        3.4.2 目標(biāo)腳點(diǎn)與攝像頭距離計(jì)算
        3.4.3 目標(biāo)頭點(diǎn)到攝像頭的距離及目標(biāo)真實(shí)高度計(jì)算
        3.4.4 目標(biāo)各個(gè)關(guān)節(jié)點(diǎn)到攝像頭的距離
    3.5 本章實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)細(xì)則與結(jié)果
        3.5.2 實(shí)驗(yàn)誤差分析
    3.6 本章小結(jié)
第四章 基于時(shí)空關(guān)系的骨架動(dòng)作識(shí)別模型
    4.1 引言
    4.2 基于時(shí)空關(guān)系的骨架動(dòng)作識(shí)別網(wǎng)絡(luò)模型
        4.2.1 局部時(shí)空卷積神經(jīng)網(wǎng)絡(luò)
        4.2.2 基于時(shí)間片段選擇的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
        4.2.3 基于可變池化的特征壓縮方法
    4.3 本章實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)細(xì)則
        4.3.2 實(shí)驗(yàn)結(jié)果
        4.3.3 異常行為數(shù)據(jù)分析
        4.3.4 模型分析
    4.4 本章小結(jié)
第五章 異常行為檢測(cè)應(yīng)用系統(tǒng)
    5.1 引言
    5.2 系統(tǒng)功能設(shè)計(jì)
        5.2.1 數(shù)據(jù)獲取模塊功能設(shè)計(jì)
        5.2.2 算法模塊功能設(shè)計(jì)
        5.2.3 web端系統(tǒng)模塊功能設(shè)計(jì)
    5.3 系統(tǒng)具體實(shí)現(xiàn)
    5.4 系統(tǒng)界面結(jié)果展示
        5.4.1 登入模塊展示
        5.4.2 主界面模塊展示
        5.4.3 報(bào)警界面模塊展示
        5.4.4 系統(tǒng)參數(shù)配置模塊展示
        5.4.5 算法參數(shù)配置模塊展示
        5.4.6 時(shí)間參數(shù)配置模塊展示
    5.5 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)



本文編號(hào)：3956280