基于转移和频率特征的协议异常检测

协议异常检测是目前入侵检测领域研究的新方向．本文研究状态的转移特性和频率特性,在此基础上建立模型进行协议异常检测．模型的训练和检测使用DARPA 1999年的数据集,实验结果验证了所建立模型的准确性．     

基于传感器网络的异常检测算法研究

本文首先研究了传感器网络数据流中滑动窗口的数据分布估计,在数据分布估计的基础上,进一步研究了基于距离的在线异常检测方法——D3算法,并提出了改进方案;最后给出了下一步工作方向。     

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

基于视频的城市快速路车辆异常行为检测

文章提出虚拟传感器的概念,针对城市快速路视频监控系统,改革单一功能摄像机,使其成为具人工智能的新型视频传感器,完成道路车辆跟踪及异常行为检测。异常检测算法运用带有时间和空间信息的车辆轨迹对自组织神经网络进行训练,获得神经网络参数后利用概率模型对实时车辆轨迹进行异常提取。该文所提算法能在嵌入式DM642视频处理平台上有效运行,能够提取诸如超低(高)速行驶、违章停车、违规掉头等异常行为,具有低运算量及较好的鲁棒性。     

船舶异常行为的一致性检测算法

为了准确检测船舶的操纵异常行为和降低异常行为误报警率, 提出了船舶异常行为的一致性检测算法; 在船舶轨迹点中引入能够体现操纵模式的特征, 以转向行为与变速行为度量了操纵行为相似性; 将空间位置相似性与操纵行为相似性进行组合, 定义了船舶综合行为相似性, 计算了单个轨迹点与训练轨迹序列中的最近邻特征点, 构建了一致性检测的样本序列; 为克服样本重叠的类分布情形, 改进了一致性检测算法的奇异值度量, 并用综合行为相似性计算样本间的非一致性得分, 利用单个轨迹点的随机性检验值判断该轨迹点与样本序列的分布一致性; 以琼州海峡实测AIS数据作为正常数据, 以计算机模拟随机产生异常轨迹和人工自定义操纵异常行为作为异常数据, 分别进行异常检测试验。试验结果表明: 随机产生的异常轨迹检测正确率为100%, 但是轨迹评价集中有一部分正常轨迹被错误划分成异常轨迹, 在指定置信度水平分别为99.0%和99.7%的情形下, 误报警率分别为0.6%和0.2%, 分别低于显著性水平0.01和0.003, 因此, 利用一致性检测算法能有效检测计算机产生的随机异常轨迹, 并可通过指定显著性水平严格控制检测误报警率, 能有效检测人工自定义的船舶变速与转向异常行为, 而且检测结果能随船舶行为改变而变化。     

基于图像处理的道路拥堵快速检测研究

提出一种基于图像处理技术的城市道路车辆拥堵程度快速检测算法。为既能加快处理速度又可任意选取有车区域路段,提出人机交互的有车区域检测。利用拥堵图像和通畅图像纹理特性的差异,提出基于纹理分析的车辆密度估计。通过原始图像灰度降级和灰度共生矩阵计算及特征提取,从有车区域图像中提取能够反映车辆密度的能量和熵特征,经过特征值训练得到车辆拥堵判决阈值,实现道路拥堵检测。试验结果证明,该算法检测准确率高达99%,同时算法的处理速度能够满足工程中的实时性要求。     

改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

基于改进YOLOv5的小目标交通标志检测算法

针对小目标交通标志检测精度低的问题,提出基于改进YOLOv5的小目标交通标志检测算法。优化YOLOv5的主干网络结构,采用微小目标检测层替换原始大目标检测层,调整下采样倍数,将MobileViT Block融入颈部网络,采用离线增强与在线增强的方法对数据集进行处理。实验结果表明：与其他目标检测算法相比,改进算法的小目标交通标志检测均值平均精度为85.3%,参数量降低了39%,FPS为70,满足实时检测的要求。     

基于三维高斯混合码本模型的运动目标检测算法

为解决智能视觉监控中码本模型参数调节困难和高斯混合模型概率分布计算的复杂性,提出了一种基于三维高斯混合码本模型的运动目标检测算法.该算法基于RGB空间建立码本模型,然后基于码字中的R、G、B分量建立三维高斯模型,从而使整个码本具有三维高斯混合模型的特征.实验结果表明:该算法具有较高的实时性(该算法的平均帧率约23.0帧/s,而iGMM(improved Gaussian mixture model)算法约9.0帧/s,BM(Bayesmodel)算法约6.2帧/s,CBM(codebook model)算法约10.7帧/s),且具有良好的检测质量.     

基于属性关联及匹配差异度的数据流异常检测

为解决类别属性数据流异常点检测问题,针对事务数据流环境,提出了基于属性关联及匹配差异度的数据流异常检测模型AAMDD(attribute associations and match difference degree).AAMDD模型离线构建一个关联规则库,并对其进行增量式更新.同时,利用时间敏感型滑动窗口(time-sensitive sliding windows,TimeSW)维护数据流数据,每经过一个时间跨度,就将当前窗口中每条数据包含的项集与关联规则库进行匹配,计算匹配差异度,根据匹配差异度的不同在线检测异常点.此外,给出了与AAMDD模型相对应的算法AAMDD-algorithm.实验结果表明,AAMDD-algorithm比FODFP-Stream算法的效率和检测精确度分别平均提高了37.43%和5.51%,并且AAMDD-algorithm的查全率保持在77%以上,可用于事务型数据流异常检测.      

一种基于能量聚点的目标检测方法

定义了刻画信号能量分布的λ水平能量聚点的概念，利用目标信号能量分布的特点，通过对信号进行小波分解提取各频段的信号，分别作功率谱估计后将频域信号的λ水平能量聚点作为信号特征量，用费歇判别分析方法对目标进行检测，计算机仿真结果验证了方法的有效性．     

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

数字监控系统中基于阴影消除的目标自动提取

智能视频监控系统需要从静止摄像头拍摄的实际视频序列中抽取并跟踪运动物体，剔除物体的阴影区域。为此，本文提出一种基于图像边界差值信息的消除阴影的前景检测算法，利用阴影区域图像的边界信息与背景相比基本保持不变的特征，抽取输入图像与背景边沿特征的差值。这样图像前景区域特别是边界附近差值比较大，而背景和阴影区域差值比较小。接着本文采用基于固定网格的围线模型，从图像的外框开始，由外向内收敛，最后收敛围线就是前景物体的边界。实验结果表明，与其他前景检测算法相比，本文算法效率高，前景检测准确率高，可以非常好地消除图像噪声、室内阴影和室外弱阴影。     

改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

汽车制动力曲线异常检测

研究了制动力曲线异常检测方法, 分析了回踩异常特性, 考虑了制动力检测工况和制动力曲线变化趋势, 基于余弦相似度与相对误差, 对制动力数据进行聚类, 建立了制动力曲线分段算法; 将制动力曲线分为阻滞段、上升段、持续段和释放段, 提取出相应的数据子集; 对3家检验机构的9 120条制动力曲线进行人工筛选和分析, 归纳了制动超前、回踩、增长滞后3种异常特征, 给出了相应异常检测算法; 对于较难识别的回踩异常, 根据动态规划思想, 找出上升段最长连续趋势下降子序列, 计算了该子序列占制动力曲线上升段的行程比, 并结合经验值来判定该子序列是否异常。研究结果表明: 对于维度不大于32的低维制动力数据, 通过余弦相似度可聚类制动力曲线的阻滞段、上升段、持续段和释放段; 对于维度大于32的高维数据, 因为维数较高, 行程比较小, 分界点对整个序列相似度影响较小, 在这种情况下, 必须在考虑相似度的情况下, 通过分界点的相对误差进一步约束聚类结果, 可以确定制动力曲线的阻滞段、上升段、持续段和释放段; 由于采集的回踩子序列占制动力曲线的行程比为9.8%, 大于行程比的经验阈值8.2%, 因此, 该制动力曲线具有回踩异常, 判断结果正确, 方法可靠。     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块,可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪,获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2,可以有效降低卷积层冗余,提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块,可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法,在多尺度检测过程中为较大的特征图分配更加适合的较小先验框,为较小的特征图分配更加适合的较大先验框,进一步提高了目标检测的精度; 与MYOLOv4相比,精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s^-1,与TOD-YOLOv4相比,分别提升了3.51%、4.31%、2.17帧·s^-1,与YOLOv3相比,分别提升了46.07%、48.05%、18.97帧·s^-1,与YOLOv4相比,分别提升了31.06%、29.74%、16.26帧·s^-1。     

基于视频的交通流参数检测

随着经济的发展,如何保障交通的畅通与安全已成为当今世界的热点研究课题之一。基于视频的交通流参数检测系统具有直观、安装简便、费用低等优点,它代表了车辆检测器的发展方向。简要介绍了视频车辆检测在智能交通系统中的应用,给出了基于视频的交通流参数检测的常用方法,以及检测系统提取的主要交通流参数,分析了影响检测精度的因素和提高精度的相应对策。     

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。