摘 要

在公共安全领域视频监控系统扮演着十分重要的角色，然而传统的视频监控离不开人的监视和操作，不仅容易使监视者产生视觉疲劳，还存在着响应慢的缺点。随着信息技术的飞速发展，视频监控高清化、网络化逐步成为现实，视频监控的智能化成为未来的发展趋势。针对人群异常聚集行为的监测是智能监控领域中的重要内容，它可以实时提取和筛选视频中的人群特征，及时发现异常行为并给予预警，从而减少灾害的发生，保证公共场所的安全。本文研究的内容就是通过SVM算法和正态贝叶斯分类器对人群移动轨迹的时间序列数据进行训练创建模型，进而预测人群中目标移动的状态，同时也通过实验比较两种算法对数据进行分析预测的准确率。最后，实验表明SVM算法和正态贝叶斯分类器对数据的分析都有着较高的准确率，其中正态贝叶斯分类器在实验数据量增大时预测分类的准确率更高。

关键词：SVM；贝叶斯；人群异常聚集

Abstract

Video monitoring system plays a very important role in the field of public security. However, the traditional video surveillance can not be separated from human surveillance and operation, which not only makes the watchman visual fatigue, but also has the shortcoming of slow response. With the rapid development of information technology, video surveillance has become a reality of high-definition and networking. The intellectualization of video surveillance has become the trend of future development. The monitoring of abnormal crowd behavior is an important content in the field of intelligent monitoring. It can extract and screen the characteristics of the crowd in real time, discover the abnormal behavior and give early warning in time, thus reducing the occurrence of disasters and ensuring the safety of public places. The content of this paper is to train the data of the moving track of the crowd through SVM algorithm and normal Bias classifier to create the model, then predict the state of the target movement in the crowd, and compare the accuracy of the two algorithms to analyze and predict the data by comparing the experiments. Finally, the experiment shows that the SVM algorithm and the normal Bias classifier have high accuracy for the analysis of data. In the normal Bias classifier, the accuracy of the prediction classification is higher when the experimental data is increased.

Key words: SVM; Bayes; abnormal crowd aggregation

目 录

第一章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.2.1 国外研究现状 2

1.2.2 国内研究现状 2

1.3 本论文研究内容及方案 3

第二章 基于SVM算法的人群移动状态分类系统设计 4

2.1 系统总体设计 4

2.1.1 实验数据的预处理 4

2.1.2 算法的评估 6

2.2 SVM算法原理 7

2.3 SVM算法的核函数选择 9

2.4 基于SVM算法对数据的训练 10

第三章 基于正态贝叶斯分类器的人群移动状态分类系统设计 12

3.1 系统总体设计 12

3.1.1 实验数据的预处理 12

3.1.2 算法的评估 13

3.2 正态贝叶斯分类器算法原理 13

3.3 基于正态贝叶斯分类器对数据的训练 16

第四章 实验结果与分析 18

4.1 实验场景一 18

4.2 实验场景二 20

4.3 结果分析 23

第五章 总结和展望 25

5.1 本文工作总结 25

5.2 未来工作的展望 25

参考文献 26

致 谢 27

第一章 绪论

1.1 研究背景及意义

智能视频监控系统是指能够全天候自动判断屏幕异常情况的实时监控系统，用于异常事件的预警，及时处理和取证^[1]。系统依托计算机强大的数据计算能力，对视频序列中的关键信息进行提取分析，实现对目标对象的自动识别，及时准确确定事故现场状态，在发出警报的同时触发其他处理机制^[2]。

在我国经济高速发展的过程中，社会安防压力在不断增大，人群中一些不安全因素出现的频率在不断提高，给公共安全带来了很大的风险。如果可以有效监控人群，及时发现异常情况并采取适当措施，则可以将事故发生的概率降至最低，有效减少人身和财产损失。因此，越来越多的监控系统被用来更好地维护公共秩序并保护人们在公共场所的安全。

目前，监控系统在众多场合中得到应用，但是受制于监控系统的发展水平，目前我国大部分的监控系统还是依赖人为操控，手动监视这种传统监视器需要时间和人力，长时间监视容易产生视觉疲劳，并且往往导致错误的检测和误报。与传统系统相比，智能视频监控系统不需要人工参与。它利用视频分析、模式识别等技术，对视频序列进行自动分析和监控，通过掌握目标对象的实时信息来判断目标行为的合理性。借助计算机的逻辑分析能力能够形成一套较为完善的安全监控系统，通过该系统能够快速有效的发现一些不安全因素，同时在不断的学习中系统可以对这些不安全因素的产生和发展进行一定程度的总结，通过大量的数据分析可以帮助系统及时发现一些不安全因素产生的前兆，从而尽最大程度做好风险预控^[3]。在信息化时代不断发展的同时，对这种智能化的监控系统的需求势必会不断增大，智能化、信息化是当前监控系统的主要发展方向^[4]。

在当前的监控领域，智能视频监控作为安全监控的一种典型手段，有着极其广阔的市场发展前景，能否实现视频监控的智能化是决定监控系统实用性稳步提高的关键。视频监控的对象十分广泛，机械施工、车辆行驶、人群流动等都是视频监控的重要内容，其中目前对人群行为识别的研究还处于一个比较基础的阶段，这是因为人群行为相对于车辆行驶来说具备更大的不确定性，在理论研究上自然也就更具难度^[5]。但是对人群异常行为的判断能够有效的预判一些人群危险事故的发生，通过及时采取相应措施能够极大的减少危险事故产生的危害，这对于维护社会稳定、保护社会安全有着积极意义，因此对人群异常聚集的研究符合当前社会发展的需求，具有较强的现实意义。

1.2 国内外研究现状

1.2.1 国外研究现状

在上世纪末，随着互联网的快速发展，人们的生活逐渐向着智能化的方向发展，在这种环境下，欧美一些发达国家发现了将智能化视频监控系统应用在社会发展中的可能性，大量的国外学者将注意力集中在视频监控的智能化研究中。在众多学者的共同推动下，智能化视频监控的研究取得了较大的进步^[6]。1997年，由美国政府联合主办的视频监控项目VSAM正式成立，提出了基于车辆、人群行为研究的智能视频监控系统，通过对监控对象的实时信息采集与分析来预防一些非法信息的入侵。欧盟一些机构在1999年联合实施了视频监控和检索项目ADVISOR，该项目将人群行为信息当作主要的研究对象，通过对人群密度、人群流动速度等信息的采集和分析来预测一些危险事故的发生，这为后来智能视频监控应用于交通领域提供了借鉴^[7]。与此同时，以色列、日本等国家也对智能视频监控开展了深度研究，各种视频检测系统被研发出来投入实际应用，这为视频监控行业的发展提供了源源不断的动力。

步入新世纪后，世界各国对社会安全问题的重视程度在不断提高，国外就智能视频监控开展了更为细致的研究，世界各国逐渐将各种新型技术应用到视频监控中，视频监控标准变得更加开放，高清视频的出现为智能视频监控的发展创造了一个更为有利的环境。在智能视频监控发展的浪潮下，一些大型电子公司如三星电子、飞利浦等纷纷推出了各种集成化的智能视频监控系统，在高级视频移动侦测、物体追踪、人物面部识别和人体行为分析等方面有着较为深入的研究，目前国外的智能视频研究已经形成了一套科学先进的研究体系，智能视频分析技术产品被广泛地应用于各个国家的各个领域^[8]。

1.2.2 国内研究现状

相较于一些发达国家，我国在视频监控方面的研究起步较晚，在本世纪初才开始对视频监控进行系统性的研究，但是在我国市场对安全监控需求快速增长的环境下，我国的研究机构和各学者在视频监控的研究上投入了大量精力，我国的视频监控行业也取得了突飞猛进的进步。

2002年5月，中科院自动化研究所在北京举办了第一届“全国智能视觉监控学术会议”，将视频监控融入到教育行业中，吸引了大量师生的关注，为我国视频监控创造了一个较好的学术研究氛围。在随后的几年内，视频监控逐渐向着前端数字化、传输网络化的方向发展，并建立起了初步网络化存储平台，同时还采用了流媒体管理的管理方式^[9]。2010后，我国的视频监控逐渐融入了AI元素，在高清化、数字化、网络化的基础上加入了AI技术的使用，AI技术被大量用于视频监控系统前端，既增强了视频监控的及时性效果，同时减少了视频信息上传的带宽压力。与此同时我国的一些大学也针对智能视频监控开展了深入研究，北京大学的视觉与听觉信息处理国家重点实验室研究了高度智能化的机器感知系统，在视觉信息处理和AI机器人等方面开展了大量研究。浙江大学人工智能研究所提出爆炸事件的异常检测，借助音、像分离的方式来提取与爆炸声音相似的音频，然后把爆炸音频与类似爆炸音频区分开，最后结合从视频中提取的视觉特征，从而对爆炸事件进行有效预测^[10]。

总的看来，我国的智能视频监控当前已取得了较为明显的进步，视频监控在民用和工业生产中都扮演着极为重要的作用，一些专注于视频监控的安防企业也逐渐走向了国际市场，但是我们必须意识到我国当前的智能视频监控研究水平与一些发达国家相比还有这巨大差距，无论是深度还是广度都有所欠缺，因此对智能视频监控的研究应当长期进行下去。

1.3 本论文研究内容及方案

本文的目的在于研究一种数学模型简单、计算复杂度低、准确率高且具有较强的鲁棒性和泛化性的智能人群监控技术，实现对人群状态的实时监控及对异常事件的准确检测。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：