基于遗传编程的拥挤场景的视频异常行为检测的中期报告.docx

基于遗传编程的拥挤场景的视频异常行为检测的中期报告
一、研究背景及目的
随着智能视频监控技术的迅猛发展，视频监控系统已经成为公共安全领域中不可或缺的一部分。在实际应用中，视频监控系统必须依靠算法来完成对监控场景的警报识别，监控场景所涉及的环境可能非常复杂，其中涉及到预期和非预期的行为。因此，对于监控场景中的异常行为检测技术研究，可以大幅提升视频监控技术的可靠性与有效性。
因此，本文提出了一种基于遗传编程的拥挤场景的视频异常行为检测技术，旨在提高视频监控系统的检测效率和准确性，辅助安全工作的展开，保障公共安全和社会稳定。
二、研究内容
1.研究现状分析
视频监控系统异常行为检测技术目前主要采用传统机器学习算法、深度学习算法、统计方法等，但这些方法仍存在一些问题：
(1)特征提取问题：特征提取部分会受到监控场景、时间、位置等多个因素的影响，使特征提取模型难以具有一定的适用性。
(2)计算复杂度高：特别是一些较为复杂的场景，比如说大规模人群聚集的场景，计算复杂度高、实时性差等问题都会严重制约它的应用。
(3)精度问题：传统方法的准确性具有一定局限性，容易出现误报和漏报等问题。
2.遗传编程算法
遗传编程是一种基于进化学理论的算法。主要包括：个体编码，适应度计算、选择、交叉、变异等遗传操作，以及进化过程中的群体策略。具有“无需知识预先假设，自动搜索潜在解，不易陷入局部最优”的优点。
3.基于遗传编程的拥挤场景的视频异常行为检测方法
本文提出了一种基于遗传编程的拥挤场景的视频异常行为检测方法，主要包括以下步骤：
（1）数据采集与预处理：数据采集包括视频、图像和文本数据，预处理包括视频预处理和文本预处理。
（2）特征构建：通过遗传编程算法构建特征子集，优选特征。
（3）异常行为检测：通过基于熵的模型训练，构建视频异常行为检测模型，并将遗传编程筛选出的特征子集引入，最终实现拥挤场景中的视频异常行为检测。
三、预期成果
本文旨在提高视频监控系统的异常行为检测效率和准确性，预期达到以下效果：
（1）提高视频监控系统的准确性，减少误报和漏报。
（2）提高计算效率，实现实时监控。
（3）提高特征提取模型的适用性，可以适应不同的监控场景。
（4）提高视频监控系统的可靠性和应用范围。
四、进度安排
本文的进度安排如下：
（1）完成问题调研和研究现状分析；
（2）完成遗传编程算法的研究与理解；
（3）完成基于遗传编程的拥挤场景的视频异常行为检测方法的设计、实现和实验验证；
（4）进行进一步的结果分析与讨论，并撰写论文。
五、参考文献
[1]LiR,etal.Intelligentvideosurveillancesystemwithcrowdbehaviorrecognition[C]//InternationalConferenceonControlAutomationRoboticsandVision.2018.
[2]ChenY,etal.Avideosurveillancesystembasedonhumanbehavioranalysis.Springerplus,2016,5(1):630.
[3]FengC,etal.Behaviorrecognitionbylearningfromincompletedatainvideosurveillance.IEEETransactionsonCircuitsandSystemsforVideoTechnology,2014,24(2):242-257.