基于生物激励特征和惊奇计算模型的智能驾驶场景异常事件检测研究

As the problem of amount of data, computational complexity and over-reliance on tracking at abnormal event detection in intelligent driving scenes, this project will intend to propose a visual attention model based on surprise computation, and will achieve abnormal event detection. By this way, this project will improve the stability and intelligent level of detection. According to biologically inspired mechanism, this project will extract primary features by simulating the response of simple cells, and will extract complex features by simulating the cells aggregation response mode in the visual cortex. And then this project will fuse the simple and complex features to form robust features description of visual saliency. And on this basis, in order to obtain a visual attention model based on the surprise computation, and quickly get the prior and posterior distributions of time and space, this project will do block matching motion estimation using three-step search method, and will collect high-speed and low-speed motion block by multi-scale motion vector histogram. This project will calculate the distance between the prior and posterior probability distribution. Then, it will attain the surprise value of each frame in time and space, respectively. Then they will been fused effectively into the total surprise value by average method in statistical sense. After that, this project can judge it whether contains abnormal events in the current frame. This project will be able achieve abnormal event detection in intelligent driving scenes, and can provide the technical support for Made in China 2025.

针对智能驾驶场景中异常检测数据量大、计算复杂以及过分依赖跟踪的问题，本项目拟提出基于惊奇计算的视觉注意模型，实现异常事件检测，提高检测的稳定性和智能化水平。根据生物激励机制，通过模拟简单细胞响应提取初级特征，模拟视皮层中细胞响应汇聚方式提取复杂特征，融合简单和复杂特征形成视觉显著性特征的鲁棒描述；并在此基础上，为获得基于惊奇计算的视觉注意模型，同时加速得到时间与空间上的先验与后验分布，拟采用三步搜索法进行块匹配运动估计，用多尺度运动矢量直方图对高速块与低速运动块进行统计；通过计算先验与后验认识分布的差距，分别得到各帧时间与空间上的惊奇值，通过统计平均的方法，并对其进行有效融合得到总的惊奇值，最终判断当前帧中是否含有异常，实现智能驾驶场景中异常事件检测，为中国制造2025提供技术支撑。

本项目针对智能驾驶场景中异常检测数据量大、计算复杂以及过分依赖跟踪的问题，提出了基于惊奇计算的视觉注意模型，实现异常事件检测，提高检测的稳定性和智能化水平。.首先，研究由生物激励的方法提取视觉显著性特征，包括基于简单细胞响应的初级特征提取和基于复杂细胞响应的高级特征提取，融合形成特征的鲁棒描述；其次，研究统计运动视频的先验和后验分布，包括块匹配运动估计和统计运动块的多尺度运动矢量直方图，分别得到时间与空间上的先验与后验分布；最后，研究基于惊奇计算模型的异常检测，构造基于惊奇计算的视觉注意模型，计算先验与后验认识分布的差距，分别得到各帧时间与空间上的惊奇值，融合形成总的惊奇值，由此判断当前帧中是否含有异常事件，实现智能驾驶场景中异常事件检测。.在生物激励特征提取方面，本项目提出了基于生物激励特征和拓扑结构的显著性注意模型，基于布尔图的多特征融合视频显著性检测方法。在运动视频检测方面，本项目提出了自适应选择特征的相关滤波跟踪方法、道路标志线检测、交通路口信号灯判别、复杂场景中多车辆检测与跟踪、车标识别、以及特定车道内无重复抓拍车辆等。在驾驶环境异常检测方面，本项目提出了车辆前方道路环境视觉增强方法，利用转移学习改进街道目标检测方法，基于三维投影模型的智能车辆遮挡物感知算法。.本项目将视觉注意机制引入视频场景的异常检测中，模拟人类强大的数据处理能力，从众多的视频图像中快速选择那些最重要、最有用的目标，利用有限的资源进行集中加工，克服常规异常检测数据量大、计算复杂以及过分依赖跟踪的问题，提高检测的稳定性和智能化水平。

内容获取失败，请点击重试