3。1 稀疏表示理论 10

3。1。1 基本原理 10

3。1。2 稀疏编码 10

3。2 稀疏组合及算法 10

3。3 基于稀疏表示的模型检测 12

3。3。1 模型建立 12

3。3。2 字典学习 13

4 仿真实验结果和分析 14

4。1 程序介绍 14

4。1。1 程序框架介绍 14

4。1。2 程序具体功能详解 15

4。2 运行结果及测试 17

4。3 实验结果分析 19

结 论 22

参 考 文 献 23

第 II  页 本科毕业设计说明书

本科毕业设计说明书 第 1 页

1 绪论

视频检测中的异常事件属于小概率事件，而在对人群进行监控时，人为工作量却因此具 有数目大、不易检测的特点。通过对异常事件检测的方法进行研究和测试，得出一种基于稀 疏表示的检测方法。

1。1 异常事件检测的应用背景

人脸识别技术今年来应用极其广泛，是一种国际科技领域高端生物识别技术，所涉及的 原理离不开数学的理论性和科学验证，也依托于计算机视觉处理的便利性和精准性。包含检 测、跟踪、对比等部分，这种高科技产品能侦测人脸的明暗度、对目标进行识别和检测，尤 其在安检部门起到了显著作用。然而一般方式获得的视频图像常常含噪、遮挡，导致传统的 稀疏表示模型中，不够准确的保真度不能满足使用需要，提出一种基于稀疏表示的异常事件 检测方法，对目标数据的异常情况进行识别与检测，同时提高其速度和准确度。

近年来各大公共场所普及了人群监控技术，即用于普通公共场所监控的自动视频捕捉理 解技术。这种检测异常事件的技术是通过对检测目标的定位，建立稀疏外观模型来实现的。 基于稀疏表示的异常事件检测方法，是针对发生概率很小的事件，对计算机高层视觉问题的 处理和原始视频数据的稀疏模型搭建的处理问题。

随着安全性的需求不断增加，监控摄像机通常部署。检测异常事件是基于摄像机采集， 这是传统的劳动密集型的，需要不停的人注意的一个繁复任务。更加冗长而枯燥糟糕的是， 异常事件是小几率的。

这种困境催化 COM-计算机视觉的重要研究，不是一个典型的分类问题，由于难以列出所 有可能的负面样本，这方面的研究通常如下正常模式是首先从培训视频了解，并随后被用于 异常事件检测[1]。

具体地，离群值被视为异常。另一条线是学习正常的，低级别的视频功能分布利用共现 模式。在这些方法中，权和 Lee 用于异常事件检测的图形编辑框架。主题模型，如隐含狄利 克雷分布中，采用[19，15]。近日，稀疏表示[12，17]备受关注和基于稀疏，异常检测模型[22， 5]实现了许多数据集中报道国家的最先进的性能[2]。除此之外，Aharon M。和 Elad M。为稀疏表 示这个领域作出了很大的贡献。