3  基于低秩分解异常事件检测 13

3。1  特征提取 14

3。2  获取字典 15

3。3  重建误差进行异常检测 16

4  实验结果与分析 17

结  论 19

致  谢 20

参 考 文 献 21

1  绪论

本章讲述公共场所监控视频的技术研究背景以及目前的主要研究热点，定义智能监控系统的主要功能特点，并在该背景下阐述了国内外学者在此研究方向上的研究成果。最后给出本文主要探讨内容。

1。1  研究背景与目的

如今，在每个公共活动的场所中，安全问题已成为人们最关注的问题，因此对监控系统智能化的要求也越来越高，对视频数据的分析也早已经成为许多国家的重点研究对象。但是研究的发展途中并不是一路顺利，也涌现出不少难题。这里面最重要的一个问题是怎么样对监控场所内的人流进行智能的监控。因此基于视频的安全遗患检测得到了飞速发展。这项研究的成果可以快速识别出监控范围内发生的突发事件，及时通知安保部门人员有紧急状况发生，以便于把人员伤亡以及财物损失降低。 文献综述

在国内，数以万计的监控系统安装在了各种公共场所，但是这些监控系统所能提供的只是视频监控录像，为事后提供线索与证据，并不能做到实时自动报警。所以关于使监控系统能智能识别出监控区域内的突发异常事件是目前急需的一项技术。正如现安装在北京地铁13号线上智能监控系统，使13号线上违法犯罪率大大减少。该监控系统正是由中科院研究所所研发的实时智能视频监控预警系统[1]。

异常事件检测就是指监控系统能智能的识别出监控区域中突发的异常状况，例如打架斗殴、人群骚乱等，同时自动产生警报以提醒相关人员。为了有利于视频监控系统中对异常事件检测的发展，现已经对外公布了许多方便于学者们研究的视频数据库，例如UCSD数据库[2]、UMN数据库[3]、subway surveillance数据库[4]。这些数据库里记录着不少的异常事件，例如步行街上行驶的车，检票口的逃票，室内外的恐慌、骚乱等。论文结构

第一章详细阐述了本文的研究背景及意义，并提出国内外有关学者的对于异常事件的研究现状。

第二章介绍本文所研究的异常事件检测方法的相关预备知识以及低秩矩阵的有关理论知识。

第三章详细介绍了本文所提方法的原理，并分别阐述每个环节的实现。

第四章通过实验，与同类的异常事件检测模型的其他方法作对比，验证了本文所提出的方法的有效性。

2  相关理论基础来;自]优Y尔E论L文W网www.youerw.com +QQ752018766-

2。1  预备知识

定义1:向量p范数。向量的p范数为，其中p>0。

特殊的，当p=1时，；当p=2时，。此外，规定为向量的非零元素的个数，。

定义2：矩阵的内积。对于两个同型的维实矩阵和，它们的内积为。

定义3：矩阵的范数。矩阵的Frobenius范数为，其中零范数为矩阵中的非零元素的个数，于是范数为，（1,1）范数为，（2,1）范数为。

2。2  低秩简述

假定一个m行n列的数值矩阵X，定义X的秩为rank（X），倘若且，即数值矩阵X的秩远远小于它的行数m和列数n，那么数值矩阵X便是低秩矩阵。低秩矩阵中的每一行和每一列都能用其它的行和列进行线性表示，由此可以看出低秩矩阵包含着巨量的冗余信息。这种冗余信息并不一定就是多余没用的，我们可以利用低秩矩阵的这种低秩特性，恢复矩阵中缺失的数据，这项技术常被用来进行图片背景提取，矩阵数据恢复等研究，除此它也能够从数据中提取特征。 基于低秩分解的异常事件检测方法(2):http://www.youerw.com/jisuanji/lunwen_96927.html