● | 技術名稱 Technology | |||||||||||
● | 發明人 Inventor |
范欽雄, 廖珗洲, 黃弘偉, | ||||||||||
● | 所有權人 Asignee | 國立臺灣科技大學 | ||||||||||
● |
|
|||||||||||
點閱數:1748 |
技術摘要: | ||||||||||||||||||||||||||||||||
在視訊監控中,異常事件偵測是一個重大的議題,透過電腦視覺分析視訊中的物體,進而判斷是否異常。傳統的異常事件偵測方法是透過事先定義異常事件規則來判斷,但真實世界的情況較為複雜,無法每一種異常都事先定義。鑑於以上方法的缺點,我們設計一套學習模式,不需要事先定義異常規則,而能自動檢測出異常事件與物體。 本技術提出一個可應用於各種環境中,即時自動偵測出異常事件的方法。首先,我們以運動物體為例,偵測場景上的運動物體,例如行人、車輛,它是利用高斯混合模型被偵測出來,並透過陰影濾除法消除物體陰影,再利用Blobs檢測出運動物體。接著,我們提出一個結合卡爾曼濾波器的改良式Mean Shift演算法,對這些運動物體進行追蹤,最後,使用卡爾曼濾波器平滑軌跡資料。 在異常事件偵測的程序中,我們將收集到的軌跡資訊,利用自我組織增量神經網路(Self-organizing incremental neural network; SOINN),將這些軌跡資訊進行學習,而獲得一個正常的軌跡模組。之後,作為判斷運動物體是否正常的依據,反之即異常,自我組織增量神經網路具有抗雜訊等優點。 在實驗的部份,我們針對不同環境進行分析,例如:校園廣場、馬路、單行道。根據我們提出的方法,可以正確偵測到異常事件:在校園廣場的準確性是100%;在馬路是98.3%;在單行道是98.8%,且整體執行時間頗為快速,約需0.033秒到0.067秒。 |
||||||||||||||||||||||||||||||||
相關圖片: | ||||||||||||||||||||||||||||||||
|