论文部分内容阅读
现有的视频入侵检测方法主要是利用普通监视器，而且在对指定地点进行监视的时候通常都需要人的参与，使得监视效果随着人的本身状态的波动或者不同监视者间有较大不同。然而改用计算机对监视图像进行自动化监控就能使得监视效果稳定许多，不过如果采用计算机掌管监控图像将会面临一些问题。如物体位置检测经常使用的方法是背景差法，但是，由于在使用简单的背景差法的过程中当背景发生一些变化时(如光照强度变化，背景中物体移动或者雨中的湖面的不规则运动等)，参考图像不能实时的反映背景的变化，从而不能正确地分割出视频序列中的运动物体。这将使得后续的处理如跟踪和识别性能等急剧下降，导致后续处理失败。 为了克服上述问题，相继出现了一些自适应背景更新算法，但其存在计算过于复杂或性能不够稳定等问题。本文提出基于BP神经网络的入侵检测的方法，并通过并行处理的方法降低整个算法的稳定性和可行性。本文的主要工作为： 1．解决了图像作为BP网络的输入时数据量过大的问题。 2．通过实验和并结合一些流行的方法进行BP网络结构的设计。 3．通过对比几种训练算法选择了一个适合本系统的训练方法(变学习率法)使其成功率和准确度大幅提升。 在模拟的实际监控环境下应用该方法进行了实验验证。实验表明利用神经网络对入侵物体的检测还是有一定的可行性，而且容易实现，即使识别的环境改变也可以在不需要专家的参与的条件下很好的适应新环境。