复杂运动场景视频大数据中异常事件检测研究

It has great significance for the protection of tourism safety that we must make real-time monitoring and detection of abnormal events for the tourist attractions video and construct intelligent tourism emergency monitoring system by using computer vision and intelligent video processing technologies. Based on the past research experience, this project will propose transform domain trans-scale adaptive video enhancement method based on spatio-temporal saliency sensing; construct fast and robust spatio-temporal nonlocal fuzzy registration mechanism which can be adaptive to complex motion scenes, and propose video super-resolution reconstruction method based on correlation learning and spatio-temporal nonlocal similarity; for the complex scenes in the video big data such as mixed background, occlusion, noise disturbance, perspective changes, illumination changes, propose robust multi-target tracking method which can be adaptive to complex scenes; by extracting robust object region spatio-temporal feature and combining the probability topic model, construct robust spatio-temporal semantic feature space of object behavior, and establish abnormal event detection model for video big data under complex motion scenes; construct tourism emergency monitoring system for video big data. This project will provide strong technical support for the timely tourism emergency prediction and tourism safety protection, and strive to achieve breakthrough progress in abnormal event detection for video big data under complex motion scenes.

利用计算机视觉和视频智能处理技术对旅游景区视频进行实时监控和异常事件检测，构建智能化的旅游突发事件监测系统，对于保障旅游安全具有重要意义。本项目在以往科学研究基础上，提出基于时空显著性感知的变换域跨尺度自适应视频增强方法；构建能够适应于复杂运动场景的快速鲁棒性时空非局部模糊配准机制，提出基于关联学习和时空非局部相似性的视频超分辨率重建方法；针对视频大数据中的背景混杂、遮挡、噪声干扰、视角变化、光照变化等复杂场景，提出能够适应于复杂场景下的鲁棒性多目标跟踪方法。通过提取目标区域的鲁棒时空特征，并结合概率主题模型，构建目标行为的鲁棒性时空语义特征空间，建立复杂运动场景视频大数据中的异常事件检测模型；构建面向视频大数据的旅游突发事件监测系统，为及时进行旅游突发事件预测和预警、保障旅游安全提供有力的技术支撑，力争在复杂运动场景视频大数据中异常事件检测领域取得突破性进展。

利用计算机视觉和视频智能处理技术对旅游监控视频进行实时监控和异常事件检测，构建智能化旅游突发事件监测系统，可实现对旅游突发事件及时预测和预警，保障旅游安全，具有重要的研究价值和应用前景。本项目提出了基于时空显著性的跨尺度自适应视频增强算法，实现了对人眼所重点关注的运动目标区域的细节特征清晰度提升。提出了基于残差卷积神经网络的视频去噪算法。提出了基于深度学习和时空特征相似性的视频超分辨率重建算法，构建了内外部联合约束的视频超分辨率重建机制。构建了基于深度卷积神经网络的深度学习模型，建立了低分辨率和高分辨率视频帧块间的端到端非线性关联映射。提出了旅游景区视频的显著性时空特征提取方法，构建了基于显著性时空特征和稀疏组合学习的旅游景区视频异常事件检测模型，提升了异常事件检测的鲁棒性和时效性。提出了基于人群运动特征和人群密度估计的旅游突发事件检测方法。提出了基于时空感知深度网络的旅游景区视频异常事件识别方法，解决了现有基于深度学习的异常事件识别方法不能很好地建模时间信号，以及深度网络对输入视频大小和长度的限制而导致的识别准确率低的问题。提出了融合GIST特征和微观行为特征的拥挤场景识别算法和基于增强深度属性学习的视频中快速运动人群的人数估计模型。提出了基于深度网络和哈希方法的运动目标跟踪方法。提出了基于跨媒体场景属性语义关系正则化的场景语义理解方法，提升了场景语义识别的准确率和鲁棒性能。提出了基于深度哈希网络和语义扩展的社交网络跨媒体语义关联学习和搜索模型。构建了旅游景区视频异常事件检测与识别系统，旅游承载力挖掘与旅游突发事件预警系统以及面向旅游监控视频的视频超分辨率重建系统，实现了旅游突发事件的自动检测和识别，及时发现和监测旅游突发事件，为保障旅游安全提供了有力的技术支撑。发表和录用论文34篇，其中发表SCI论文10篇，录用SCI论文1篇，发表EI期刊和会议论文18篇。其中1区论文1篇，2区论文4篇。获2018年第六届CCF大数据学术会议最佳学术论文奖。出版学术专著1本。申请专利5项，其中2项已授权。项目主持人在本项目进行期间，博士后顺利出站并晋升为副教授。培养博士生3人，硕士生6人。