监控视频数据中知识发现方法研究

The knowledge discovery to surveillance video data is important to many areas of our society like security and traffic management. However surveillance video data is big data with large data volume and low value density feature and with spatio-temporal attribute.Therefore many problems relating to the knowledge discovery from the type of data still need solutions or better solutions. This project aims to discovery methods innovation for discovering frequent events, association rules and approximate dependencies relating to temporal and spatial features from video data and the research characteristics will be formed surveillance video information extraction and data mining algorithms considered as an organic whole. The problems to be investigated by the project include 1) the development of theories and models and algorithms of approximate temporal and spatial dependencies to surveillance video data; 2) the development of theories and models of temporal and spatial frequent patterns, associations rules to surveillance video data;3) research on comparison and selection method for face detection in video data efficiently;4)research on comparison and improvement method for face verification in video data efficiently and high accurate rate of face;5)classification method for face feature data coding; 6) the design of the methods and structures for storing and retrieving temporal and spatial events; 7) the development of a prototype for discovering people's occurrence temporal and apatial frequent patterns and temporal and spatial association rules.

监控视频数据中的知识发现对于公共安全、交通管理等方面具有重要意义，然而，监控视频具有数据量大、价值密度低的大数据特征，加上多点监控视频数据具有时空属性，因此，监控视频数据知识发现中的一些关键问题亟待解决。本课题将在监控视频数据中的时空频繁模式、时空关联规则、近似时空依赖关系发现方法上有所创新，并形成监控视频信息提取与数据挖掘算法作为有机整体考虑的研究特色。研究内容主要包括：1）近似时空依赖挖掘理论和模型、算法研究；2）时空频繁模式、时空关联规则挖掘理论、模型、算法研究；3）监控视频数据中高效的人脸检测方法比较和选择研究；4）快速和高精确率的人脸验证方法比较及改进研究；5）一种人脸特征数据编码分类方法研究；6）具有时空属性事件存储模型和有关事件存储方法、存储结构的研究；7）面向人员出现事件的时空频繁模式和时空关联规则挖掘原型系统研发。

监控视频数据的处理和分析具有一定的复杂性，一方面是因为非结构化，另一方面是数据量巨大且价值密度低。本项目重点开展了以下研究工作：1）图像数据的表示研究；2）监控视频中的人脸、行人和车辆的识别方法研究；3）函数依赖的理论、模型和算法及应用研究；4）频繁模式模型和算法的研究；5）群体模式挖掘的理论及算法的研究；6）监控视频数据文件处理方法研究；7）监控视频数据分析系统研发和应用研究。取得的成果如下。.1）在数据表示方面提出了无参数自加权多图正则非负矩阵分解方法（PAMGNMF）、结构化判别概念因式分解方法（SDCF）、基于自适应权重的多图正则化概念分解(MCFAWs）、多拉普拉斯图正则化低秩表示（MGLRR)、稀疏概念编码算法（MGLRR）、以及结构保持稀疏编码(SPSC）等有效方法。.2）在监控视频中车辆识别方面提出了 “基于稀疏特征的监控视频车辆识别方法”和“一种基于HE识别和LAC图像的运动车辆检测与跟踪新方法”，这改进了车辆识别的效果；在监控视频中行人识别方面，提出了“一种基于将HOG特征和LBP特征相融合的行人检测方法”，改善了行人检测的效果；在监控视频中人脸识别方面，进行了有对比研究，得到了有价值的结论。.3）提出了一种条件差分依赖发现有效方法，并设计了视频处理日志中挖掘依赖的算法。.4）提出了一种有效的最大项目集挖掘算法，即FPMAX-direct算法。.5）设计实现了一种能够挖掘目标群体的挖掘算法。.6）提出了一种面向人员监控视频数据文件快速处理方法。.7）构建了海量监控视频分析算法平台，并将部分研究成果应用于道路交通监控视频分析。.本项目研究所提出的方法，对于丰富模式识别、知识发现等方面理论和模型，具有科学的意义，对于监控视频数据中车辆、人脸等识别研究，将对监控视频目标图像的有效识别提取方面有着较高的应用价值；所提出的群体挖掘算法对于从监控视频数据中挖掘经常出现的人或物，并可通过多层级挖掘，追踪目标人物的关联人物，这对于国家安防等方面有着重要的应用价值。