针对农田监测区域大、监测节点能量有限以及异常事件具有偶发性等特点,提出了一种基于改进压缩采样匹配追踪的农田信息异常事件检测算法(DP-CoSaMP)。针对传统压缩采样匹配追踪(Compressive sampling matching pursuit,Co Sa MP)算法中...针对农田监测区域大、监测节点能量有限以及异常事件具有偶发性等特点,提出了一种基于改进压缩采样匹配追踪的农田信息异常事件检测算法(DP-CoSaMP)。针对传统压缩采样匹配追踪(Compressive sampling matching pursuit,Co Sa MP)算法中相似原子选择和稀疏度要求已知问题,引进Dice系数有效区分原子相关性,保证选择最优原子;利用峰值信噪比(Peak signal to noise ratio,PSNR)与匹配信号残差具有相似变化趋势,动态调整算法迭代次数,避免稀疏度获取困难问题。仿真实验结果表明,本文算法异常事件检测成功率较现有算法提高了20%,网络能耗降低了15%,平均检测时间减少了50%。展开更多
视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检...视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。展开更多
文摘针对农田监测区域大、监测节点能量有限以及异常事件具有偶发性等特点,提出了一种基于改进压缩采样匹配追踪的农田信息异常事件检测算法(DP-CoSaMP)。针对传统压缩采样匹配追踪(Compressive sampling matching pursuit,Co Sa MP)算法中相似原子选择和稀疏度要求已知问题,引进Dice系数有效区分原子相关性,保证选择最优原子;利用峰值信噪比(Peak signal to noise ratio,PSNR)与匹配信号残差具有相似变化趋势,动态调整算法迭代次数,避免稀疏度获取困难问题。仿真实验结果表明,本文算法异常事件检测成功率较现有算法提高了20%,网络能耗降低了15%,平均检测时间减少了50%。
文摘视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。