一种基于卫星监控视频的异常行为分析方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及卫星图像识别技术领域，特别涉及一种基于卫星监控视频的异常行为分析方法。背景技术：[0002][0003]通过在监控系统中，引入卫星监控，可以实现对监控区域的24小时监控与识别，因此，通过搭建卫星监控视频对区域进行异常行为检测，实现卫星监控视频数据的高效传输，是达到监视和控制目标的一种新途径。[0004]此外，卷积神经网络是近几年来逐渐被重视、发展起来的，识别效果好是它最大的特点。现在，因卷积神经网络能够直接把输送进来的原始图像进行处理(可跳过预处理)，深受广大研究学者的喜爱，其应用领域也在不断扩展。技术实现要素：[0005]本发明针对现有技术卫星图像异常行为监控识别系统正确率较低的问题，提供了一种基于卫星监控的异常行为分析方法。引入经典行人检测方法与卷积神经网络相结合，能够提高卫星图像异常行为分析的正确率。[0006]为了实现以上发明目的，本发明采取的技术方案如下：[0007]一种基于卫星监控视频的异常行为分析方法，包括以下步骤：[0008]步骤101，卫星监控视频测试数据收集与制作；[0009]获取4种测试数据，分别为挥击、摆手、快跑、行走等不同行为，利用收集的卫星监控视频测试数据进行训练集和测试集的制作，最终将处理后的卫星监控视频测试数据保存为用于之后训练的集合。[0010]步骤102，卫星监控视频测试数据预处理，子步骤如下：[0011]步骤301，从训练集中抽取10张典型的视频帧图片，并从每一张视频帧图片中随机选取1000个的小块。然后将这些小块视频帧图片样本重新排列为重新赋予小块，并保存为sample.mat。[0012]步骤302，对之前的sample数据进行基于协方差矩阵变换单位助阵的白化处理，为后续预学习做准备。[0013]步骤303，通过三层的稀疏自动编码的带线性解码器的神经网络获取模型训练参数opttheta、zcawhite、meanpatch。[0014]步骤103，搭建卷积神经网络系统模型：数据初始化，载入得到的三个重要参数并显示特征，载入学习训练的图片集，进行卷积检查和池化检查，载入训练集和测试集，进行卷积和池化。[0015]步骤104，验证识别正确率；将测试集训练得到的数据也通过softmax分类器，与步骤103得到的结果进行比较，计算并显示正确率。[0016]进一步地，所述步骤101的具体子步骤如下：[0017]步骤201，将卫星监控视频测试数据分为三类进行实践：第一类为背景，第二类为正常行为，即行走，第三类为异常行为，即挥击、摆手、快跑。[0018]步骤202，训练集制作，从挥击、摆手、快跑、行走数据中分别选取15个视频片段。对于每一个视频片段，都转为output1～output15保存，将人物从原图像中截出，归一化后保存为input1～input15。对于背景图片，从跑步与行走素材中提取4个片段，同样归一化后保存。[0019]步骤203，按制作训练集的方式制作测试集，其中从挥击、摆手、快跑、行走素材中分别选取4个视频片段。对于背景图片，同样从跑步与行走素材中提取 4个片段，归一化后保存。[0020]步骤204，对于训练集，把步骤202中得到的所有图片制作成一个用于训练的集合trainimages.mat里，trainimages.mat中trainimages为图像数据， trainlables为图片类别。对于测试集，把步骤203中所有图片制作成一个用于测试的集合testimages.mat里，testimages.mat中testimages为图像数据， testlables为图片类别，用于与经过网络后所得分类结果进行比较，其中1～100 分类为1，含义为背景，101～400分类为2，含义为异常行为，401～500分类为3，含义为正常行为。[0021]进一步地，trainlables图片类别和testlables图片类别中1～100分类为背景，101～400分类为异常行为，401～500分类为正常行为。[0022]进一步地，对于只有三层结构的线性解码器，只需要自编码器由一个sigmoid 函数隐藏层和线性输出层构成即可，线性解码器，包括：[0023]1)神经网络的前向传播；[0024]2)神经网络的损失函数的求法；[0025]3)白化处理；[0026]4)反向传播与损失函数偏导数的求法；[0027]5)大规模数值优化算法处理。[0028]进一步地，所述步骤103，包括以下子步骤：[0029]步骤401，数据初始化，对各种变量参数赋予相应初始值。[0030]步骤402，载入步骤303得到的三个重要参数opttheta、zcawhite、meanpatch 并显示特征。[0031]步骤403，将经过步骤302处理的图片集加载到卷积神经网络中。[0032]步骤404，进行卷积检查和池化检查。载入之前制作的训练集，取前8张图像来进行卷积功能的测试，对池化功能也进行相应的测试，并检查结果。[0033]步骤405，若步骤404的检查通过，载入之前制作的全部训练集和测试集。[0034]步骤406，进行卷积和池化。[0035]同时载入训练集与测试集，并同时对它们进行卷积与池化操作，将最后训练得到的数据保存了起来，并在下次运行时直接载入。[0036]步骤407，在训练学习完后，对训练集得到的数据通过softmax分类器进行分类学习，并保存学习得到的分类模型。[0037]与现有技术相比，本发明的优点在于：[0038]能够提高卫星图像行人检测识别的正确率，可以应用在卫星图像识别中。附图说明[0039]图1是本发明实施例整体流程图；[0040]图2是本发明实施例素材收集与制作流程图；[0041]图3是本发明实施例训练集与测试集部分展示图；[0042]图4是本发明实施例素材预处理流程图；[0043]图5是本发明实施例卷积神经网络整体结构示意图；[0044]图6是本发明实施例卷积神经网络训练模型流程图。具体实施方式[0045]为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。[0046]如图1所示，一种基于卫星监控视频的异常行为分析方法，包括以下步骤：[0047]步骤101，卫星监控视频测试数据收集与制作。[0048]具体的，本设计通过申请获取了4种卫星监控视频测试数据，利用收集的卫星监控视频测试数据进行训练集和测试集的制作，最终将处理后的卫星监控视频测试数据保存为用于之后训练的集合。[0049]如图2所示，流程包括：[0050]步骤201，申请获得各类行为卫星监控视频测试数据。[0051]具体的，申请获取了4种卫星监控视频测试数据，分别为挥击、摆手、快跑、行走。本设计人为将其分为三类进行实践：第一类为背景，第二类为正常行为，第三类为异常行为。[0052]步骤202，训练集制作。[0053]具体的，从挥击、摆手、快跑、行走数据中分别选取15个视频片段(每个片段为连续的25帧)。对于每一个视频片段，都转为output1～output15保存，将人物从原图像中截出，归一化后保存为input1～input15。对于背景图片，从跑步与行走素材中提取4个片段，同样归一化后保存。[0054]步骤203，测试集制作。[0055]按制作训练集的方式制作测试集，其中从挥击、摆手、快跑、行走数据中分别选取4个视频片段(每个片段为连续的25帧)。对于背景图片，同样从快跑与行走素材中提取4个片段。最后，把所有图片制作成一个用于测试的集合 testimages.mat里，testimages为图像数据(列*行*3*序号)，testlables为图片类别，用于与经过网络后所得分类结果进行比较，其中1～100分类为1(背景)， 101～400分类为2(异常行为)，401～500分类为3(正常行为)。[0056]步骤204，把所有图片制作成一个用于训练的集合。[0057]对于训练集，把步骤202中得到的所有图片制作成一个用于训练的集合trainimages.mat里，其中trainimages为图像数据(列*行*通道数*序号)， trainlables为图片类别，其中1～100分类为1(背景)，101～1225分类为2(异常行为)，1226～1600为3(正常行为)。对于测试集，把步骤203中所有图片制作成一个用于测试的集合testimages.mat里，testimages为图像数据(列*行*3* 序号)，testlables为图片类别，用于与经过网络后所得分类结果进行比较，其中1～100分类为1(背景)，101～400分类为2(异常行为)，401～500分类为3(正常行为)。图3为得到的素材集合示例。[0058]步骤102，卫星监控视频测试数据预处理。[0059]具体的，在对制作的卫星监控视频测试数据进行训练与测试之前，本设计通过各种处理使系统对即将要学习的训练卫星监控视频测试数据进行“预习”，并获得获知“学习重点”的位置，得到一组在全局最优解附近的参数。这样可以防止在正式学习训练时，陷入局部最优解的境地。[0060]如图4所示，包括：[0061]步骤301，从训练集中选取图片并从中选取1000个小块并重新排序。[0062]具体的，从训练集中抽取10张典型的图片(如图3所示效果)，并从每一张图片中随机选取1000个的小块。然后将这些小块图片样本重新排列为重新赋予小块，并保存为sample.mat。[0063]步骤302，对样本进行白化处理。[0064]具体的，对之前的sample数据进行zca白化处理，为后续预学习做准备。[0065]步骤303，通过三层的稀疏自动编码的神经网络(带线性解码器)获取参数 opttheta、zcawhite、meanpatch。[0066]采用典型的bp神经网络进行构建，即通过一个具有三层的稀疏自动编码的神经网络(带线性解码器)来获取三个重要参数(opttheta、zcawhite、meanpatch)。[0067]这里特别对于这三个参数作一下说明：[0068]opttheta是预学习后得到的线性分类器中的神经网络权值及偏置值，其中的输入部分的权值会用于卷积神经网络，作为卷积核的初始参数。[0069]zcawhite是经过zca白化后的数据。这里利用了zca白化降低图片的冗余信息，加快后续进一步处理的运算速度。[0070]meanpatch则是为了后续在执行zca白化算法时，使图片均值近似为0。[0071]对于只有三层结构的线性解码器，只需要自编码器由一个sigmoid函数隐藏层和线性输出层构成即可。因此，它的构成包含了bp神经网络的一些基本算法。[0072]1)神经网络的前向传播；[0073]2)神经网络的损失函数的求法；[0074]3)白化处理；[0075]4)反向传播与损失函数偏导数的求法；[0076]5)大规模数值优化算法处理。[0077]由于梯度下降法可能只解到局部最优解，因此使用了另一种速度更快、占用内存更小的方法——l-bfgs算法来计算，即：[0078](1)设定初始值x0和精度阀值ε，并令d0＝i,k:＝0；[0079](2)确定搜索方向dk＝-dk·gk；[0080](3)求得λk＝argmin f(xk+λdk)，令sk＝λkdk,xk+1:＝xk+sk；[0081](4)若||gk+1||＜ε，则算法结束；[0082](5)计算yk＝gk+1-gk；[0083](6)计算[0084](7)令k:＝k+1，转至第(2)步。[0085]在l-bfgs算法中，可以不用完整地存储矩阵bk，只需存近k次计算中的曲率信息，即sk和yk。当完成一次迭代后，删除前一次计算出的曲率信息，只保存最新的曲率，这样就能够保证保存的曲率信息一直都是最新的k次迭代。由bfgs算法的计算过程可以知道，dk只是为了计算dkgk获取搜索的方向，由于这样，可以采用之前的式子，设计出一种算dkgk的快速算法，实际采用如下的快速算法来进行：[0086](1)初始化：[0087](2)后向循环：[0088][0089](3)前向循环：[0090][0091]最后算出的rl即为hk·gk的值。[0092]对整个系统中训练学习的过程用l-bfgs算法，可以大大加快求解最优值的运算速度。[0093]步骤103，系统模型训练。[0094]具体的，经过整理好素材与预处理后，将正式进入卷积神经网络系统模型的搭建。图5为卷积神经网络整体结构示意图。[0095]如图6所示，包括：[0096]步骤401，初始化。[0097]具体的，最开始仍是数据的初始化，对各种变量参数赋予相应初始值。[0098]步骤402，载入得到的三个重要参数并显示特征。[0099]具体的，载入步骤303得到的三个重要参数opttheta、zcawhite、meanpatch 并显示特征。[0100]步骤403，载入学习训练的图片集。[0101]具体的，将经过步骤302处理的图片集加载到卷积神经网络中。[0102]步骤404，进行卷积检查和池化检查。[0103]具体的，载入之前制作的训练集后，取前8张图像来进行卷积功能的测试，对池化功能也进行相应的测试，并检查结果。[0104]步骤405，载入训练集和测试集。[0105]具体的，若步骤404的检查通过，载入之前制作的全部训练集和测试集。[0106]步骤406，进行卷积和池化。[0107]具体的，当前面的步骤都通过时，准备进入到程序的关键部分——卷积与池化操作。由于卷积和池化操作会占用大量的内存(特别是卷积特征矩阵)，因此，通过调整一次性卷积和池化的特征数(必须能被隐藏层单元个数整除)来避免出现此状况。本设计根据实际情况，一次性进行的计算。设定好后，为了程序书写的方便，同时载入训练集与测试集，并同时对它们进行卷积与池化操作，期间还记录下每一次卷积与池化各用多长时间。这里还要注意，当每10个隐藏层节点计算完后，释放计算过程中产生的而后续不需要的数据，以达到节省内存的目的。由于本设计设定的隐藏节点数为400，因此这个过程花费时间较长，大约需要10 分钟，为了避免每次运行都要这么长时间，本设计将最后训练得到的数据保存了起来，并在下次运行时直接载入。[0108]步骤407，根据池化特征分类。[0109]具体的，在训练学习完后，对训练集得到的数据通过softmax分类器进行分类学习，并保存学习得到的分类模型。[0110]步骤104，验证识别正确率。[0111]具体的，将测试集训练得到的数据也通过softmax分类器，与之前学习到的结果进行比较，计算并显示正确率。[0112]本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!