基于半监督在线学习的智能视频监控方法研究

随着社会对公共安全的日益关注，智能视频监控系统应用领域不断扩大，显示出广泛的应用前景和巨大的潜在经济价值。本项目对机器学习中半监督在线学习算法进行深入研究，探索适用于智能视频监控系统具体问题的半监督学习方法，通过对少量标记样本和大量未标记样本的在线学习，实现视频分析中运动检测、目标跟踪和行为分析等关键算法的在线更新，使系统能够适应不同场景、视点、气候和光照等条件的动态变化，提高算法的性能。项目研究一方面要设计出符合视频分析需要的半监督在线学习算法，探索新的在线学习方法，争取在理论上有所突破和创新；另一方面通过半监督在线学习算法的研究与应用，提高智能视频监控系统的在线学习能力，从而改善系统适应性，力争取得具有自主知识产权的新型视频分析技术，应用于实际智能视频监控系统中，以解决智能视频监控应用中一些急待解决的实际问题。

项目重点研究具有在线学习能力的智能视频监控关键技术和方法，开发基于半监督在线学习的目标检测、运动跟踪、行为分析等算法，提高智能视频监控系统的实时性、准确性和适应性。按照预定的研究计划，在深入分析和研究项目需要解决的主要问题的基础上，项目取得了如下研究成果：.在异常行为检测方面，提出了一种基于在线更新统计异常事件检测算法，通过在线聚类和多特征融合的事件描述，根据未知样本出现在相应区域的概率判断是否属于异常。在公共数据库实验验证了该算法的实时性、稳定性、准确性等特性。.在行人检测方面，提出了一种自适应的半监督多视角特征选择算法，在半监督的学习框架下，充分挖掘各个视角特征之间的关联性和互补性，丢弃不相关的特征和噪声，选择最相关的特征，实验证明此分类器可以提供更加准确的头肩描述。.在运动跟踪方面，提出一种基于压缩感知与鲁棒PCA的目标跟踪算法，设计了新的模板集合与在线更新策略，采用鲁棒PCA约束平稳变化的动态模板的更新，利用背景模板降低背景的干扰，有效地改善了跟踪算法的鲁棒性。.在目标检测方面，物体显著性可以大大减少监控算法的计算压力，提高重点关注区域的检测和检索效率。提出了一种滑动窗显著物体检测方法，在对图像进行分割后，检测窗内物体的显著性定义为图像其它部分组成检测窗的代价函数。通过一种贪婪优化算法计算不同位置和尺度的检测窗显著性，找到局部最大值的窗口确定显著性物体。这一方法经过在公共数据库上进行了测试，性能值得肯定。.项目的研究可以有效提升智能视频监控系统的性能，部分相关成果已经应用于我国高速铁路视频监控系统中。.项目期间培养博士生1名，硕士生 10 名，在国际期刊和重要国际会议发表论文 10 篇，申请并获得授权国家发明专利 1项。