加权极限学习的密集异常
摘 要目前恐怖活动和犯罪行为的频繁发生，使得人们对公共安全的要求度与日俱增。因此近几年，视频监控系统中事件分析的研究引起了研究领域的高度重视。视频监控和自动视频标注的所使用的方法，研究和应用领域是并不相同的。但是在不同的应用领域中，大多数的研究内容都是从两个主要的研究方法出发：一个是明确的事件识别，专注于高维视频序列的分析，而另一个是异常行为的检测。本文主要研究的是进行异常轨迹的检测。最终目标通过标签判别来检测出异常轨迹。主要内容包括：首先从轨迹的结构入手，运用谱聚类的方法对正常轨迹进行聚类，为后续工作提供标签。然后提出轨迹结构的相似度，并在计算方法上进行了改进，以更好地提取轨迹的特征向量。最后考虑到异常检测行为的不平衡性，运用加权极限学习机的方法进行标签判别，完成对正常轨迹和异常轨迹分类。实验证明所提出方法的有效性，可以很好的解决简单环境下的异常行为检测。同时在性能上与传统机器学习算法进行对比，加权极限学习算法具有一定的优越性。
目录
第一章 绪 论 1
1.1研究背景和意义 1
1.2国内外研究现状 2
1.2.1异常检测 2
1.2.2机器学习介绍 3
1.3本文章节安排 5
第二章 运动轨迹的特征分析 6
2.1正常轨迹的聚类 6
2.1.1 kmeans算法 6
2.1.2谱聚类算法 8
2.2 基于结构相似度的轨迹聚类算法 10
2.2.1轨迹结构相似度 10
2.2.2改进的轨迹结构相似度 13
第三章 基于加权ELM的异常轨迹检测算法 14
3.1极限学习机简介 14
3.2支持向量机的方法 14
3.3基本ELM分类器构建 19
3.4加权ELM的异常检测 22
第四章 MATLAB仿真实验 24
4.1 MATLAB简介 24
4.1.1 MATLAB 24
4.1.2 MATLAB功能应用 25
4.2仿真实验 25
4.2.
*好棒文|www.hbsrm.com +Q: ^351916072*
1仿真实验结果 25
4.2.2结果分析与性能比较 28
第五章 总结与展望 30
5.1总结 30
5.2展望 30
参考文献 32
致 谢 34
附 录 35
绪 论
1.1研究背景和意义
近年来，在全球范围内恐怖活动和违法犯罪行为的频繁发生，引起世界各国的高度关注，同时随着社会的不断进步，对于在社会生活中的安全要求度越来越高，大大推动了在智能视频监控领域的研究。智能视频监控系统在机场、车站、商业街等人群密集，高速公路、城市交通等车辆密集的公共场所中得到了广泛的应用。
智能视频监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统的智能视频分析模块，借助计算机数据处理，分析视频中关键信息，判断监控画面中的异常情况，并发出警报通知控制中心，做出最快速的反应和处理，从而达到实时监控的效果。从应用的角度，智能视频监控系统技术主要包括以下几个大类：
对人、物的识别：包括人脸识别、车牌号识别、红绿灯识别、虹膜识别等等，其中关键的要求是识别的准确率。比如人脸识别，要取得人的轮廓，对比数据库来迅速找到该人的信息。
对运动轨迹的识别：对于这个方面的技术细分很多，主要包括虚拟警戒线，自动PTZ跟踪，人数统计、车流统计等等。这类应用技术需要统计目标的数量和目标的运动过程，根据样本进行判断，以发现区域内的异常情况，如某一个区域的人突然聚集、有人越过警戒线等情况，发出报警信息。同时在运动轨迹辨别处理的技术中，受到监控场景的影响非常大，这时候要尽量提高准确率，降低误报、漏报的情况。
对视频环境的处理：环境的影响主要包括雨、雪、雾、光照变化、物体遮挡等情况。智能视频监控系统可以在恶劣视频环境下发现画面中的异常因素，关键技术是能够在不同场合下获得监控信息，减少环境要素对监控的影响。这类应用具备较为广泛的适应性，很多监控点都对这类应用具有潜在需求。
目前的视频监控系统还是以传统模拟闭路视频监控系统（CCTV）为主，在监控过程中需要大量的人员参与，同时由于人员懈怠、疲劳等因素，导致最后获得的信息准确率低，同时由于在日常生活中异常情况出现率是比较低的，时刻进行人员监控，是浪费人力资源的表现。因此智能视频监控技术就更加必要。
综上所述，智能视频监控系统在社会各个方面都有很大的应用前景。智能视频监控技术包含多方面的技术，在未来视频监控必将走向数字化、智能化、多元化，对智能视频监控技术的研究不仅具有极大的实践意义，还具有重要的理论意义。本文从这个出发，对智能视频监控系统涉及的运动轨迹识别和异常行为检测技术进行了进一步的研究，结合在该方面的一些机器学习算法做出改进，以得到更优的信息结果。因此，本课题的研究对智能视频监控技术的发展有一定的科学意义。
1.2国内外研究现状
1.2.1异常检测
目前，异常检测技术的研究有了很大的发展，从基于规则的方法转移到基于统计模型的方法，都发展的比较成熟。基于规则的方法是事先规定正常或异常的行为，对突发事件来说就无法检测，从而造成在扩展性上的局限性。基于统计的方法是以数据驱动的方式建立模型，分别学习正常行为和异常行为，以适应不同的环境变化，目前大部分检测系统都采用统计方法来实现。比较典型的是隐马尔可夫模型（HMMs），它可以很好的用于时变数据，Zhang，Liu等人利用分层狄利克雷过程—隐马尔可夫模型建立了一系列的弱分类器以用于异常行为检测。Hung等人结合隐马尔可夫模型在处理序列数据以及SVM判别模型两方面的优势，建立了家庭护理感知系统，能够检测独处老人的异常行为。MIDAS（Multics Intrusion Detection and Alerting System）是一个提供给国家安全计算中心网络主机的实时入侵检测系统，同样也利用了统计方法的异常检测思想。
但是基于统计的异常检测方法存在着一些缺点：对正常行为与异常行为的判别标准难以细分，容易导致虚报或漏警；在监控过程中，被监控者可以利用系统的自适应性通过缓慢改变其行为，使检测系统将判为正常；未考虑事件发生的顺序，在不同事件中混淆顺序关系。
为解决统计方法中为考虑时间发生顺序的缺点，又发展出预测模式的异常检测系统。它使用动态规则集合来检测异常，通过分析已经发生事件序列的规律，推测出下一个状态事件的行为，可以更好的检测不同时间的异常，但是计算量较大，效率低。
近年来，人工智能方法逐渐加入到异常检测的行列中来。例如人工神经网络的使用，通过人工神经网络的自适应学习能力，对大量的数据分析处理，发现正常的活动模式，将该模式加入到神经网络中，通过自检测学习判断新进入的行为是否异常。
入侵检测领域的研究起步比较早，主要包括滥用检测和异常检测。异常检测不像滥用检测受已知脆弱性的限制，在目前已经有了很大的发展并受到研究人员的广泛关注。田、高等人提出一种新的基于系统调用和Markov链模型的程序行为异常检测方法，关、刘为提高入侵检测系统的扩展性和应用性提出了一种基于主成分分析的无监督异常检测方法。
目录
第一章 绪 论 1
1.1研究背景和意义 1
1.2国内外研究现状 2
1.2.1异常检测 2
1.2.2机器学习介绍 3
1.3本文章节安排 5
第二章 运动轨迹的特征分析 6
2.1正常轨迹的聚类 6
2.1.1 kmeans算法 6
2.1.2谱聚类算法 8
2.2 基于结构相似度的轨迹聚类算法 10
2.2.1轨迹结构相似度 10
2.2.2改进的轨迹结构相似度 13
第三章 基于加权ELM的异常轨迹检测算法 14
3.1极限学习机简介 14
3.2支持向量机的方法 14
3.3基本ELM分类器构建 19
3.4加权ELM的异常检测 22
第四章 MATLAB仿真实验 24
4.1 MATLAB简介 24
4.1.1 MATLAB 24
4.1.2 MATLAB功能应用 25
4.2仿真实验 25
4.2.
*好棒文|www.hbsrm.com +Q: ^351916072*
1仿真实验结果 25
4.2.2结果分析与性能比较 28
第五章 总结与展望 30
5.1总结 30
5.2展望 30
参考文献 32
致 谢 34
附 录 35
绪 论
1.1研究背景和意义
近年来，在全球范围内恐怖活动和违法犯罪行为的频繁发生，引起世界各国的高度关注，同时随着社会的不断进步，对于在社会生活中的安全要求度越来越高，大大推动了在智能视频监控领域的研究。智能视频监控系统在机场、车站、商业街等人群密集，高速公路、城市交通等车辆密集的公共场所中得到了广泛的应用。
智能视频监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统的智能视频分析模块，借助计算机数据处理，分析视频中关键信息，判断监控画面中的异常情况，并发出警报通知控制中心，做出最快速的反应和处理，从而达到实时监控的效果。从应用的角度，智能视频监控系统技术主要包括以下几个大类：
对人、物的识别：包括人脸识别、车牌号识别、红绿灯识别、虹膜识别等等，其中关键的要求是识别的准确率。比如人脸识别，要取得人的轮廓，对比数据库来迅速找到该人的信息。
对运动轨迹的识别：对于这个方面的技术细分很多，主要包括虚拟警戒线，自动PTZ跟踪，人数统计、车流统计等等。这类应用技术需要统计目标的数量和目标的运动过程，根据样本进行判断，以发现区域内的异常情况，如某一个区域的人突然聚集、有人越过警戒线等情况，发出报警信息。同时在运动轨迹辨别处理的技术中，受到监控场景的影响非常大，这时候要尽量提高准确率，降低误报、漏报的情况。
对视频环境的处理：环境的影响主要包括雨、雪、雾、光照变化、物体遮挡等情况。智能视频监控系统可以在恶劣视频环境下发现画面中的异常因素，关键技术是能够在不同场合下获得监控信息，减少环境要素对监控的影响。这类应用具备较为广泛的适应性，很多监控点都对这类应用具有潜在需求。
目前的视频监控系统还是以传统模拟闭路视频监控系统（CCTV）为主，在监控过程中需要大量的人员参与，同时由于人员懈怠、疲劳等因素，导致最后获得的信息准确率低，同时由于在日常生活中异常情况出现率是比较低的，时刻进行人员监控，是浪费人力资源的表现。因此智能视频监控技术就更加必要。
综上所述，智能视频监控系统在社会各个方面都有很大的应用前景。智能视频监控技术包含多方面的技术，在未来视频监控必将走向数字化、智能化、多元化，对智能视频监控技术的研究不仅具有极大的实践意义，还具有重要的理论意义。本文从这个出发，对智能视频监控系统涉及的运动轨迹识别和异常行为检测技术进行了进一步的研究，结合在该方面的一些机器学习算法做出改进，以得到更优的信息结果。因此，本课题的研究对智能视频监控技术的发展有一定的科学意义。
1.2国内外研究现状
1.2.1异常检测
目前，异常检测技术的研究有了很大的发展，从基于规则的方法转移到基于统计模型的方法，都发展的比较成熟。基于规则的方法是事先规定正常或异常的行为，对突发事件来说就无法检测，从而造成在扩展性上的局限性。基于统计的方法是以数据驱动的方式建立模型，分别学习正常行为和异常行为，以适应不同的环境变化，目前大部分检测系统都采用统计方法来实现。比较典型的是隐马尔可夫模型（HMMs），它可以很好的用于时变数据，Zhang，Liu等人利用分层狄利克雷过程—隐马尔可夫模型建立了一系列的弱分类器以用于异常行为检测。Hung等人结合隐马尔可夫模型在处理序列数据以及SVM判别模型两方面的优势，建立了家庭护理感知系统，能够检测独处老人的异常行为。MIDAS（Multics Intrusion Detection and Alerting System）是一个提供给国家安全计算中心网络主机的实时入侵检测系统，同样也利用了统计方法的异常检测思想。
但是基于统计的异常检测方法存在着一些缺点：对正常行为与异常行为的判别标准难以细分，容易导致虚报或漏警；在监控过程中，被监控者可以利用系统的自适应性通过缓慢改变其行为，使检测系统将判为正常；未考虑事件发生的顺序，在不同事件中混淆顺序关系。
为解决统计方法中为考虑时间发生顺序的缺点，又发展出预测模式的异常检测系统。它使用动态规则集合来检测异常，通过分析已经发生事件序列的规律，推测出下一个状态事件的行为，可以更好的检测不同时间的异常，但是计算量较大，效率低。
近年来，人工智能方法逐渐加入到异常检测的行列中来。例如人工神经网络的使用，通过人工神经网络的自适应学习能力，对大量的数据分析处理，发现正常的活动模式，将该模式加入到神经网络中，通过自检测学习判断新进入的行为是否异常。
入侵检测领域的研究起步比较早，主要包括滥用检测和异常检测。异常检测不像滥用检测受已知脆弱性的限制，在目前已经有了很大的发展并受到研究人员的广泛关注。田、高等人提出一种新的基于系统调用和Markov链模型的程序行为异常检测方法，关、刘为提高入侵检测系统的扩展性和应用性提出了一种基于主成分分析的无监督异常检测方法。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/1162.html
