上海论文网提供MBA论文选题服务,专业提供硕士毕业论文服务。
导航 当前位置:上海论文网 > 工程论文 > 正文
基于视频的水流数据异常检测算法研究[工程论文]
  • 论文价格:150
  • 用途:硕士毕业论文 Master Thesis
  • 编辑:vicky
  • 点击次数:
  • 论文字数:35955
  • 论文编号:el2021082215590223102
  • 日期:2021-09-23
  • 来源:上海论文网
软件工程论文哪里有?本文首先提出一种适用于水流数据表示的特征提取方式,从时间和空间特性两个层面来描述视频中水流的变化过程;然后提出了一个基于生成对抗网络的模型,该模型除了生成器和判别器之外还包含了一个分辨网络。生成器用于学习新特征提取方式重建映射,判别器监督生成器学习,分辨网络用于学习生成器生成数据和原来是的特征表示之间的最小化映射;最后提出通过高斯建模的方式来判别数据异常。

第一章 绪论

1.2 国内外研究历史与现状
视频的异常事件检测一直以来都是机器视觉领域一个极具挑战性的研究热点,从数据本身出发视频数据相对图像来说除了具有二维的空间结构信息外,还包含了时间域上的信息。另外视频数据本身就包含大量的冗余信息,因此视频的数据的计算和处理尤为复杂。目前针对视频异常事件检测的研究主要分为两个方面,第一个是视频特征的提取,即如何表示视频中的数据,第二个是异常检测的算法,即如何判别和检测异常。
一般的二维图像的特征提取方式有 HOG 特征[1]、SIFT 特征[2]、颜色特征、纹理特征等。HOG 特征的本质是统计图像的梯度信息,它通过光强梯度和边缘方向的分布来描述一个物体的外形。SIFT 特征的提取过程就是寻找稳定的特征点的过程,它旨在通过一些在在方向和梯度上不变的特征点来描述物体的形状。颜色特征是一种基于像素点的特征,颜色特征表示图像中物体的表面属性,对于图像方向大小上的变化并不敏感。纹理特征,用来表示图像中物体的结构或者组织的排列属性,纹理特征与颜色特征的不同点在于,纹理特征通过像素及其周围邻域的服务分布来表示图像纹理。图像的二维特征一般都用在识别、分类等任务上,其原因在于这些特征都只能表示数据的二维空间信息,而不能表示视频数据在时域上的变化过程。为了克服这个缺点,相关的研究者开始探索新的特征提取方式,用以表述视频信息的变化过程。例如将视频图像中每一个人的位置信息做第一级的特征,然后再通过泊松分布来对正常的数据信息进行建模[3]。也有研究者首先提取了视频帧中的兴趣点,然后再根据这些兴趣点的信息来计算视频帧中人与人之间的相互作用势能[4]。但是这些特征提取方式过于粗糙,只适用于人群密度小的场景不能适用于人群较为集中的场景。
目录
目录
目录
......................

第三章 基于多元高斯的水流异常检测算法

3.1 水流分割
3.1.1 标签制作
水流的数据样本如下图 3-2 中 a,b,c 所示,从图 3-2 中可以看出摄像头拍摄到的水流数据除了包含从管道口排出的水流数据信息外,还包含了大量的比如周围的管道、阶梯、围栏等干扰信息,这些信息对于监测水流的形态变化情况没有实际的意义,还会增加大量的运算时间。因此需要先对水流数据进行分割,从复杂的背景中分割出水流,去除各种背景噪声的干扰,只保留感兴趣的水流区域信息。
传统的图像分割算法存在缺陷不能做水流分割,那就需要通过深度学习的算法对水流进行语义级别的分割。2015 年全卷积网络(Fully  Convolutional Networks,  FCN)[52]的出现,克服了一般分类网络如 VGG、CNN 等,只能获得单一维数据分类信息的缺陷,实现了像素级别的分类。FCN 把普通的分类网络全连接层都替换为卷积层,这样就能获得一个二维的卷积特征图,然后再对得到的特征图中的每一个像素点进行分类,从而达到分割图像的效果。但是 FCN 也存在一定缺陷,FCN 没有充分考虑像素点之间的关联,换句话说就是缺乏空间的一致性。继 FCN 之后 Ronneberger[53]等人又提出了 U-Net 网络,U-Net 除了考虑做了空间规整之外还在 FCN 的基础之上增加了空间上的融合层,大大加强了神经网络的特征提取能力。
图 3-2 水流数据样本
图 3-2 水流数据样本 

...............................

总结与展望


近年来随着计算机技术和通信技术的发展,使得数据传输和计算速度大大加强,已经能满足视频监防领域的需求。视频的异常事件检测也逐渐的成为了人工智能领域和计算视觉领域研究的一大重点。石油工厂水流数据的异常检测,不仅仅是关乎于人工成本的节省,还有关于环保,有关于绿水青山,因此具有极大的实际意义和社会价值。在实际的生产中,由于气压或者温度的变化就会引起水流的变化,这些变化背后的推动者就是生产过程中产生的污染气体。直接通过人工在后台进行实时的监测和判别是很困难的,一是视觉疲劳问题,二是往往都需要同时监控多个点,这样的话就需要很多人很浪费人力资源。但是也不得不注意的是水流的异常是不固定的,而且是具有偶然性的,这就给异常事件的分类和检测带来了困难。 
目前虽然有大量的关于视频异常事件检测的相关算法研究,但是还没有将其应用到水流异常检测上来。当下关于视频异常事件检测的算法的研究主要集中在两方面,一方面是研究视频事件的表示方式也就是特征提取的方式,另一方面则是研究异常检测和判别的算法。在特征提取层面常用的轨迹特征计算过程很耗时根本不能在有实时性需求的问题中使用;光流特征在计算之前就假设了被计算的目标形变要很小,但是水流的形态时刻都在发生变化而已超越了光流所能容忍的范围,所以也不能使用。在异常检测算法层面,基于全监督的算法比较适合异常能够完全列举或者异常模式固定的情况,而水流时不固定的;非全监督的算法只需要通过对正常数据的学习就能检测异常,虽然克服了全监督算法的缺点,但是也各有各的缺陷,基于重建的算法重建过程过于耗时;基于预测的模型虽然速度提上来了,但是水无常形要想预测下一帧水流是什么样很困难;基于表示学习的算法虽然速度的检测精度上都可以,但是其网络模型大多都是基于生成对抗网络,因此不可避免的有梯度不稳定的问题。本文为水流数据异常检测提供了解决方案,对于工业生产和环境保护都有重要意义,主要的工作内容有以下几点:
(1)针对现有研究中没有与水流异常检测相关数据集的问题,通过实地采集和相关专家的帮助,自建了用于水流相关实验的数据集。数据集中的数据分为正常数据和异常数据两大类。数据的特点在于,水流都是由管道向外排放,其内部除了管道口之外是密封的,因此不容易受到外部因素的影响。这也是通过水流形态变化来判断是否存在污染源(异常数据)的一个基础。正常的数据与异常水流数据区别在于,异常的数据由于受到气体污染源的影响水流形态变化更剧烈。
(2)针对现有特征提取方式不能表述水流形态变化过程以及异常数据不能完全列举的问题,提出了一种基于多元高斯的水流异常检测算法。该算法首先对水流数据进行分割;然后再根据分割的结果提取水流数据的时空域特征,也就是水流形态的变化部分;之后再根据水流的时空域特征的周长和面积的变化剧烈程度值,建立多元高斯模型;最后根据多元高斯模型来判别异常。实验结果表明该算法相对于其他算法具有一定的优越性。同时针对水流分割的标签难以使用工具通过人工直接制作的问题,提出了一种基于 mask 的新的标签制作方法。
参考文献(略)