论文部分内容阅读
随着各种成像设备和应用需求的发展,影像数据格式经历了由全色图、彩色图、多光谱图像到高光谱图像的发展。丰富的影像数据为我们处理不同的实际问题提供了强大的数据支持。其中,数据的异常分析因其特有的应用特性,是一类重要的研究问题。异常分析在不同影像谱段数目中有不同的体现形式,在可见光图像中,主要是指基于视频内容的异常行为检测;而在高光谱数据中,主要指高光谱图像的异常目标检测。人群异常检测是当前智能监控的研究热点,对人群行为进行准确的分析,并且及时对异常行为进行响应处理,能够有效加强公共管理和公共安全保障,促进平安城市的顺利推进。高光谱图像的异常目标检测,就是利用丰富的光谱特性,定位出图像中与背景相比光谱显著偏离的像素点,而不需要目标和背景的任何先验光谱信息。这样的无监督技术特性,使得高光谱异常检测具有非常广泛的实际应用。因此利用计算机视觉和图像处理技术,对可见光和高光谱数据进行有效的异常分析,具有非常重要的研究价值。 综上,本文分别围绕人群异常检测和高光谱异常目标检测问题,进行了深入研究,提出了一系列算法: 1)人群场景复杂,密集性较高,活动多样,异常检测难度性高。依赖于追踪技术的算法难以准确追踪每一个个体,会造成较大的检测误差,而依赖于大量可用有标记的表现为正常模式的训练样本的算法,实际中又难以满足这一要求。为了克服这些问题,本文提出了基于在线学习的人群异常检测算法。该方法从个体与人群的作用关系出发,自适应选择典型的运动个体,有效避免了对固定目标从开始到结束的全程追踪,同时动态更新运动目标信息,不需要长时间的训练过程,有效提高异常检测的准确性。 2)高光谱图像地理覆盖范围广,包含物质材料多样,图像场景复杂。依赖于背景分布假设的算法,难以对背景分布进行准确地描述,获取真实的背景分布统计估计,因此数据适应性差,易产生较大的检测误差。为此,本文提出了基于图像素选择过程的高光谱异常检测算法,避免数据的分布假设,将流形学习技术与拓扑图模型相结合,建立顶点-边缘权重图,构建异常目标选择过程,根据像素间的光谱差异性,选择出具有最弱连接关系的异常目标。同时利用顶点和边缘的相互作用关系,能够有效增强异常目标和背景之间的差异性,提高算法的检测性能和数据适应性。