视频监控系统已经成为敏感场所安全防范、安全隐患发现和应急管理的重要基础设施。然而,花费巨额资金建立的视频监控网络并未发挥应有效果,瓶颈在于缺乏有效的自动分析识别技术来高效处理大量的实时视频数据。本项目以大规模多摄像机监控视频为对象,突破多视场景建模、多视环境下的对象检测和协同跟踪、异常行为检测与识别等关键技术,提出多视角监控视频中运动对象关联分析模型与方法和适合异常行为模式挖掘的机器学习方法,建立一套先进的多摄像机协同的运动对象检测、跟踪与异常行为分析理论和技术体系。本项目还将通过开发应用测试验证系统、参加TRECVID监控视频事件检测国际比赛和下一代监控视频编码国际标准与国家标准来验证所提理论、方法与技术的有效性,为新一代智能视频监控系统提供核心技术。
Multi-view Bayesian network;Sequence discriminative learning;Social attribute-aware force model;CovBoost;Metro-transport abnormal event detection platform
本项目围绕多摄像头协同的运动对象检测跟踪和异常行为分析这一科学问题,从模型方法、关键技术、应用验证三个层面开展研究工作。主要技术创新如下 (1)跨摄像头对象检测跟踪理论与方法针对多摄像头协同的对象检测跟踪问题,提出一整套运动对象关联分析模型、对象表示方法、跨摄像头对象检测与跟踪技术,包括多视贝叶斯网络模型MvBN、基于混合范式正则化的多义性视觉表示方法、基于迁移学习的对象检测与跟踪方法、基于MvBN和高度自适应映射的多视对象检测方法、基于表观和步态的行人再标识方法等,获IEEE多摄像机对象检测与跟踪评测PETS2012中多项性能指标的第一,并被评为近五年PETS评测中性能最好的算法。 (2)基于学习的监控视频行为与异常事件检测方法从学习方法着手,提出了一系列监控视频行为分析和异常检测方法,包括基于深度轨迹描述子的动作表示方法、面向群体行为描述的轨迹图包方法、面向近似视频对齐的多粒度子序列匹配方法、融合运动和表观信息的多人群组行为识别方法、基于序列判别学习的预定义监控事件检测方法、基于模糊聚类多自编码器的无监督异常发现方法、基于社会属性力的群体行为异常检测方法等,在TRECVID监控视频事件检测比赛中连续2011~2012两年均在多项检测任务上性能最优。 (3)监控视频前背景分析技术及其在标准中的贡献。针对前背景建模与分析问题,提出了多项高性能的分析方法,包括像素级选择式特征背景建模方法、基于投影模型的自适应运动阴影检测方法、基于大规模统计先验和多任务排序学习的视觉显著计算方法、基于互补显著先验的前景对象分割方法、簇敏感多核学习方法GS-MKL,获2013年ImageCLEF Robot Vision竞赛冠军。将场景分析嵌入编码框架,提出了基于背景建模的监控视频编码及优化技术,实现了压缩效率翻番,已作为IEEE国际标准颁布。项目构建了目前国内外最大规模的监控视频对象检测与跟踪数据集PKU-SVD-B,实现了多摄像头协同对象检测与追踪原型系统,开发了城市交通异常事件检测平台并在青岛30多处应用。课题组出版专著1部,待出版1部;发表学术论文73篇,其中国际期刊27篇、CVPR/ICCV等顶级会议4篇;申请发明专利25项,其中2项已授权,获软件著作权5项;培养博士后4人,博士生8人,硕士生22人。因此,项目圆满完成任务,各项指标均已大幅超过了任务书的规定。