【《视频异常检测算法设计与实验探究报告》10000字（论文）】

--I1绪论1.1课题的背景和意义监控在人们的日常生活中越来越普遍，视频监控系统即监控系统的市场需求日益增大，监控系统已成为社会治安的重要组成部分。视频监控因为其直观、准确、及时的鲜明特点，如今，我国不同场所有不同规模的视频监控系统在使用。例如，视频监控系统已经安装在、城市街道、办公楼、学校和许多校园中。随着监控系统范围的扩大，系统安装的摄像头数量逐渐增多，监控视频保存时间延长，给视频监控系统带来了新的问题以及挑战。视频质量检测与分析便是其中一个最关键问题。在监控系统中，摄像头有时会出现视频颜色变化、传输异常以及显示失真、雪花屏等现象。这些现象的发生对监控系统内部产生了不利因素。若这些问题，往往被不法分子利用，做出扰乱社会治安的时间，危害公共场所安全的同时造成经济财产损失。因此区域监控系统稳定非常重要，因此需要对监控系统进行实时监控和判断，对出现故障的监控区域快速判断及时维修。现阶段大部分视频监控基于人眼视觉对故障进行判断，在小区域内监控摄像头数目较少，可快速应用人眼进行分辨。但这一方法存在不确定性、人为主观性。且人工检测技术落后，对于大型商场、体育馆等大范围监控覆盖区域存在检测工作量巨大，危险系数高，成本高等不利因素。本文根据视频异常的检测需求以及人眼观察的不足设计了视频质量实时检测系统，其中视频检测模块的建立，系统的运行核心也建立出来。视频检测模块包括视频信号检测模块以及清晰度变化检测。视频信号检测包括颜色偏差检车以及信号传输损失；摄像头工作状态检测包括摄像头遮挡以及摄像头损坏。使用视频质量异常检测系统可以实时分析视频质量，若发生上述画面质量异常情况，会立即发出报警提示音，并通知工作人员及时维修，快速恢复该区域正常的视频监控系统，提高安全生产效率。1.2国内外研究现状视频质量检测系统在大型监控系统的控制中心被重点应用。在原始视频中可以找到导致视频质量变差的因素。其次，在视频中能提取出相当客观的重要信息，对一些存在违法的行为提供证据。因此，视频质量检测收到了普遍的重视，国内外学者、大型科研院所和众多知名企业都在对其开展大力研究。国外对视频质量检测与评价技术的研究起步较早。1996年，美国信息通信研究院制定了1.801.030:ITU-T（1997），并且召开了专门会议，成立了特定的专家组，在2000提出了视频质量测试报告，并规定了评价视频质量算法性能的参数。此外，ITU-T在04年宣布了一项数字广播电视质量评估提案。德州大学的一名为Sheik的教授，提出了一种基于视觉信息的视频质量算法。该算法研究了视觉特性与图像质量的关系，推导了自然场景的满意度模型，推导了总参考图像质量保证标准。在国内的视频质量控制领域，发展的势头非常迅速。上海交通大学于2006年研究了非标准的图像质量评价算法；为视频通信质量提供了强有力的技术保障。此外，重庆市计量质量计量所2009年展示了国家质检总局监控系统的检测设备和测量方法。通过对视频监控系统的研究，找到了如何对视频监控系统进行检测和监控的方法。此外，在检验过程中，在没有优势的情况下，完成了专属检测器实现。此外，由文安科技公司开发的视频质量诊断系统采用图像分析与解析相结合的方法，检测常见图像的故障和干扰，例如模糊、增益不平衡、颜色偏差、系统图像出现错误等。海康海威公司在视频分析和处理方面有了技术的改进，在监控视频质量检测方面做到了世界领先地位。1.3本文主要内容本文设计并实现了一种视频异常监测的方法，该方法的主要目的是对例如亮度异常、偏色和摄像头遮挡所造成的视频异常进行检测。本设计的主要功能是实现对存在异常的视频进行检测。视频信号异常包括视频信号卡顿，偏亮或偏暗等。如果监控器被人为影响，例如被挪动等，都会被检测出来。为了避免线路信号在传输过程中发生信号数据丢失和画面失真，因此需要对存在偏色的视频检测。在日常生活中，容易发生摄像头拍摄异常和人或物对监控器的破坏，所产生的视频数据的丢失，所以需要对视频进行亮度检测。例如摄像头摄像故障、出现控制干扰、亮度条件异常，或恶意屏蔽导致视频变暗或黑屏现象。本次设计所采用的方法主要是对视频图像进行处理，运用了图像处理技术。设计了对视频图像进行处理，然后通过检测来判断是否有异常的产生，因为这项的实现，可以对人们进行报警，并完成对出现的状况实现及时的反馈，并对其相应的处理，以实现监测工作的顺利完成。1.4论文章节安排本论文的内容安排如下:第1章：绪论。这一章对我们选取这一方向作为毕业设计的原因进行说明，介绍了在当前情况下视频异常检测的原因和说明。对国内外的研究现状进行了深入的调研，设计监控质量检测的相关设计以及构想。第2章：视频质量评价综述。本章主要仔细介绍了视频质量的评价方法分为认为主观评价法和数据分析客观评价法。第3章：视频异常检测的算法与设计。本章介绍了对视频异常检测的一些经典算法，以及提出了我在本次设计中使用的研究内容和方法。第4章：实验结果及分析。本章主要介绍了我在此次毕设中对视频异常检测结果的展示和分析。2视频质量评价综述2.1主观评价方法随着需求量的增加，视频质量评价越来越受到重视。比较常用的评价方法分为观察者主观评价和数据客观评价。本文根据实际应用的效果对比，介绍了这两种方法。目前，在ITU-tric.p.9108[1]多媒体中，已经存在了比较成熟的主观评价规范。国际上也对图片主观评价标准方面做出了编号为itu-rbt.500-7[2]的标准定义。而且两种标准的均为有效的主观评价办法。连续刺激质量评价[3]和连续双动态质谱[4]也是质量评价的方法之一。将原始视频图像和处理后的失真图像连续地提供给任何观察者，并根据主观者感知进行评判。平均意见值评价方法（MOS）[5]是图像质量中最流行的主观评价方法之一，在条件限制的检测环境中，被评价过后的图像数据序列让人用眼睛观看，是观看者的主观评分[6]。并且，统计得出这些等级的统计数据，并得出平均值。[7]根据这些标准对这些图像的质量进行评估[8]。主观评价方法包括绝对评价方法和相对评价方法。绝对评价是基于直观的视觉感受对评价图像的质量进行评价[9]。在一般观测人员方面，采用标准的尺度。而在专家方面，就要用不同的方法，我们称之为妨碍尺度。在绝对评价中，即使与实际情况的一致性很高，评价结果也会很困难。因此，主观评价常被用于相对评价。即对测试图像进行评估，从高分到地方进行排列，并在该图像中给出相应的分数。2.2客观评价方法参考图像质量评价是客观评价方法的一种形式。随着大数据时代的发展，现阶段已经建立相关的理论结构框架和可以应用的的评价规定。考虑到图片失真与信号传输误差之间的联系，通过分析被被检测图片的与标准图像的差异，可以分析出信号传输过程中的数据丢失，可以实现对被测图片质量的检测。经过长期的研究，提出了许多基于人眼视觉特性的图像质量评价模型。如J.Sarnoff实验室，唯一显著差异（JND）模型通过计算原始图像和检测图像之间的感知差异，对图像质量有一个客观的评价结果。安德鲁提出了一种数字视频质量模型[10]，并基于图像DCT变换后的频域系数对图像进行了分析，但该模型在处理低速运动的低符号图像时精度不是很理想。Stefan-Winkler提出的感知干扰度量（PDM）[11]模型主要用于MPEG编码序列的图像质量评价。虽然该模型融合了亮度和色度信息，但对色度信息的依赖性很强，仍需改进。所有的图片处理系统和图像质量评价系统建立后都需要对样本进行检测，因此建立一个视频图像测试库是非常重要的。目前，许多研究团队已经建立了较为完善的视频/图像测试库。德克萨斯大学在8月13日创建了测试库，图片的检测库可以分为名称为WIQ测试库[12]、TID2008测试库[13]以及实时测试库[14]，测试库在视频质量检测方面得到了最广泛应用，。这个数据库包含了许多类型的图像失真和人类生活中的各种典型场景。通过两个阶段建立实时直播视频测试库；第一步包括29个高清原始图表和169个格式为的图片和175个格式为JPEG的图像，将不同格式的29个高清图片进行压缩。第二阶段为包括29幅原始的高视觉RGB格式图像和作为母本产生的失真图像，上述失真的种类为982幅图像，包括在传输过程中快速衰减失真、高斯模糊失真、压缩过程失真和声音不清杂音过大。此外，还给出了各种畸变图像和原始图像的值，为以后的建立提供基础。且发现测试视频具有视频测试库系统，且发现上述方法在检测现场直播平台的视频部分仍然可以同时应用，例如；两者同时测试的名称为的视频测试库。视频测试库是最早期由德克萨斯大学的工作人员于在2010年8月建立的，是一个可以检测实时视频质量的视频库，而且可以对检测系统进行评估。并且发现视频测试库存在的缺点是非常少，视频测试库的仅仅对于访问和测试视频的相关资源。该数据库中包含了10个清晰的原始应用视频片段以及15个失真后的低画质片段，15个所受到的损坏因素各不相同。由于附加干扰引起的失真类型是压缩失真[15]和MPEG-2压缩失真[16]、模拟视频[17]、在误导性IP网络中的压缩数字编码传输过程中，造成图片或视频失真[19]，并且失真视频的在肉眼观察下，存在明显差色彩异。而且，该数据库还给出了单一激励方法的视频的评价结果，为主观评价结果。然而，这对实时视频测试库在系统监测方面的应用并不冲突。3视频异常检测算法设计3.1视频信号异常的经典算法对于视频的检测来说，最为重要的一环就是实现视频出现异常的检测，它的功能是实现不正常的图像的检测。本次实际针对的异常为：颜色偏差、亮度异常、摄像头被遮挡[18]。下面就是对系统中所包含的异常进行详细地介绍与分析，通过使用合适的的发现，实现异常检测。3.1.1视频偏色检测技术对于图像来说，颜色是最重要的特征之一，无论是人眼出发，还是从机器检测，颜色都是一个判断正常与否的关键之一。在图像处理方面，颜色的检测是最重要的一个环节。人对颜色的判断是恒定不变的，对于光照的改变不会引起人的错误判断。这也是人眼观察图像和摄像头获取图像的最大区别之一。光会影响摄像头等对图像颜色的获取，所以在监控设备中，获取的图像会存在偏色的问题。对于该问题的研究，主要有以下几种方法。直方图统计法为了得到整个图像的颜色分布，我们采用直方图统计的方法，通过计算RGB颜色空间中不同颜色通道的平均亮度值，得到该图像在R、G和B三个通道中的颜色分布。图2示出了偏振颜色的图像，而图2-2示出了图像的颜色直方图。直方图统计可用于根据R、G和B三个通道的颜色分布和平均亮度来确定图像是否有偏差。当某个颜色通道的平均亮度值较高时，它表示颜色偏差趋势，平均亮度值越大，该图像的偏振度越高。根据R、G、B三色理论，图3.2中通道的亮度值较高，图像为偏红异常，符合我们眼睛的主观感觉。图3.1偏红色的视频图像图3.2偏色图像RGB三通道的颜色直方图灰度世界法发现直方图对效果不够明显，表达效果不够直观，因此本文接下来尝试使用基于灰度的算法计算。的基础是基于灰度世界的假设。对于颜色变化较大的图像，R、G、B分量数值收敛于同一个等级灰度。这是可通过计算机计算三个通道的平均亮度值，通过颜色空间转换得到相对均匀的坐标。对比光源像素的灰度值，判断颜色偏差。但是环境产生的过暗的或光源颜色单一，在这种情况下灰平衡法规则不能对偏差现象做出正确的判断。（3）白平衡法我们的白平衡方法主要用于高光图像。R/G和B/G的值在同一光源下是在固定范围内的。因此，基于图像中像素点的R/G和B/G的值，对像素进行统计分类以确定图像光源的色温，并且可以对灰度像素点进行采样。对图像颜色均值进行计算，接下来计算灰度和平均亮度在等效亮度之间的差值。这个差异就是颜色的偏值。由于该方法具有场景限制，因此也显示出了一定的限制性。3.1.2视频亮度异常检测在对图像质量指标进行衡量时，图像的亮度是一个及其重要的指标。当摄像头出现故障、增益控制受到干扰、光照条件异常等都会导致视频亮度下降。但是对于参考图像的获取实在困难，因此很难确定对比度误差。所以我们尝试把颜色空间从RGB转换成CIELab。CIELab颜色空间[19]比RGB颜色空间[20]更接近人类视觉。它自身具有检测数据均匀性的优质能力，其分量与人肉眼的感官神经的亮度感应非常匹配。因此，通过改变和分量的输出色阶，实现对颜色的精确平衡。同时也可以通过L分量进行亮度的对比调整。在或中，是不太可能实现这些功能的。有一种亮度异常检测，是基于颜色空间的偏主观判断方法，即根据公式(3.1)统计M*N大小的图像在L分量上的均值：(3.1)如公式(3.2)所示：如果L分量均值超过偏亮阀值Tb,则偏亮可能帧数Cb+1,偏暗可能帧数Cd-1；如果L分量均值低于偏暗阀值Td,则偏暗可能帧数Cd+1,偏亮可能帧数Cb-1；(3.2)在上述基础上，再增加一个时间阀值Tt,如果偏亮持续帧数Cb超过阀值Tt时，则产生偏亮告警；如果偏暗持续帧数Cd超过阈值Tt时，则产生偏暗告警。3.1.3摄像头遮挡检测一般情况下，出现摄像头遮挡的监控画面，图像亮度信息较少，且没有明显的边缘，因此本文采用基于梯度的摄像头遮挡检测算法。摄像头遮挡检测流程图如下：图3.3摄像头遮挡检测流程图首先将视频序列转换为灰度图，然后计算图像中每个像素的梯度值大小。其中I是图像像素的值，(i,j)表示像素的坐标。像素点(i,j)的梯度表示为公式（3.3）：（3.3）Δx(i,j)和Δy(i,j)分别表示水平方向梯度和竖直方向梯度。像素点(i,j)的梯度模，即梯度值的大小表示为公式(3.4)：（3.4）设定阀值T1，判断像素点梯度模与阀值的大小，如果|gradf(i，j)|大于阀值T1，则计数器C＋1，对整幅图像进行判断，得到Ctotal，再设定摄像头遮挡边缘像素点数量阀值T2，进行比较，如果Ctotal>T2，则不产生摄像头遮挡告警，否则产生告警。在实际应用中，为了尽可能的降低误告，因此阀值的设定较为苛刻，即只有当摄像头遮挡程度较高时，例如摄像头完全被遮挡时，才会产生摄像头遮挡告警。3.2本文采用算法本文提出的视频异常检测算法是基于灰度和梯度的，其最核心的思想就是对灰度直方图的对比，得到视频中每一帧的图像的灰度直方图。对获取的参数与预定值进行对比，若大于预定值，则可以得出视频图像出现了异常。该视频异常检测的算法的两个核心部分为灰度全局直方图和归一化分块灰度直方图。视频异常检测的应用有以下三个流程。选用正常的图像作为系统模型。对视频进行操作，获得每一帧的图像，再将其进行灰度化处理。(1)获取图像的灰度信息以生成灰度直方图。(2)将提取的信息通过与系统的信息做出对比，如果其超过临界值，可以判断为该帧画面出现了异常。如果在多个帧的图像中存在连续的异常，就可以确定出现异常，并做出异常提醒。(3)通过加权方法将彩色图像的灰度转换为黑白图像之后的像素值，设置R、G和B的比率为3:6:1。每种颜色由三种原色组成：红色、绿色和蓝色。如果原点的颜色为RGB（R，G，B），则可以用以下方法转换为灰度：浮点算法:(4.1)整数方法:(4.2)移位方法:(4.3)平均值法:(4.4)仅取灰度:(4.5)其中，列出某个像素的红、绿、蓝三个分量，得到灰度后，用灰度代替原RGB（R、G、B）的R、G、B，获取新的颜色灰度，用来替代最原始的RGB（R、G、B），这便是图像灰度的过程。4实验4.1数据集在本次实验中，最重要的环节就是数据集的创建和程序的书写，对于一个视频检测系统来说，图像的多少，对模型的构建。起到了最关键的影响。所以本实验需要用到大量的视频图像数据来构成数据集，为了满足实验的需求，在网上搜集到了少量的视频数据，同时自己也拍摄了大量的视频来完善数据集。在该实验中，整个数据集包含9个视频，共5970张图片。在数据集构建好之后，要进行下一步工作，即将图片进行预处理。在一副图片中，将不同灰度级的像素的个数值进行统计，将其作为灰度直方图。对于不同灰度级的发生概率，可以明显的看出在灰度直方图中不同灰度等级。当出现一些例如摄像头被遮挡的现象时，就会导致图像的亮度出现异常，灰度值也会产生变化，为了体现这种变化，对于正常的图像，本文要将标准图像作为环境背景模型，然后获取它在此环境背景下的灰度直方图。在计算归一化全局灰度直方图数据时的，要通过计算机自主学习分析出目标物体与周围背景模型的差异，即要使用直方图中的输出数据内括相似度度函数。通过该函数的使用，就可以得到实时监控视频屏幕画面与标准系统模型的转换出全局灰度差异。首先，将图像转换为RGB格式，然后执行灰度转换。读取RGB格式的图像。用已有的函数进行RGB到灰度图像的转换。全局灰度直方图，在我们设计的检测系统中，对于图像的检测是最重要的一个环节，也就是说检测到异常时，在直方图中体现的最明显，而且也可以避免一些低级的错误处理情况。可以说，当摄像头出现非人为的不剧烈晃动，整体直方图分布并不会明显变化，可以有效避免一些误报的发生。全局灰度直方图可以确定图像灰度的变化，但是它存在一定的局限性，当较大的运动物体出现在监控器范围内，会导致全局灰度直方图发生变化，对于这种误报现象的出现。要做出弥补的方法，即使用分块直方图的方法来解决这类问题。我们在此引入了归一化算法，该算法可以对不同数量的纲造成的不利影响进行处理。利用已知的不变矩阵，来计算出图片的下一组参数，从而实现抵消其他微笑变量对图像变换是产生的影响，这就是归一化的核心思想。也就是说，它会以标准的形式，抵制其他的变化。我们可以使用图像的归一化算法来查找图像中的不变量。用以判断这些图像最初是是不相同的或同一系列的。构建目标归一化矩阵，确定区间，把归一化后的数据按公式，计算得出一行中的各个归一化后的数据并记录。让全局灰度直方图和分块灰度直方图在归一化思想的基础上进行匹配与结合，可以有效地识别图像是否存在异常，并且对一些不必要的错误检测进行剔除。4.2实验结果对摄像头进行移动时，出现异常的前后图像如下图4.1所示。图4.1的左上角显示了每张图像的特征，也就是帧数，在第500帧之前，均为正常图像，自501帧开始，就是出现摄像头遭遇异常的监控画面。在前最开始几帧画面中，异常不明显，变化不不太直观。在通过507帧与537帧图片进行对比，可以看出对摄像头的移动变得明显。在544帧时，由于出现连续的异常检测，可以确定视频画面出现了明显的显示变化，画面丢失严重，同时伴随着警报响起。图4.1基于梯度和灰度的移动检测图图5.2为出现异常时的灰度直方图。图4.2摄像头移动时视频灰度直方图在基于梯度特征的检测算法中，阀值相对简单且唯一，因此我们选取连续多个阀值求解对应的准确率，将准确率最大的阀值最为最终选取的阀值。对提取的样本集计算TPR和FPR，图4.3就是根据上述样本计算出不同阀值对应的准确率，然后绘制得到的ROC曲线。在该曲线中横坐标为FPR，FPR表示在所有容量中，被错误系统判定为阳性数据的比率；与之相反，纵坐标为TPR，图中TPR表示为在所有实际为阳性的样本中，被正确地判断为阳性的比率。可以看出该曲线TPR＞FDR，即该算法的检测准确率较高。图4.3检测样本ROC曲线由上述实验结果，可以看出该系统可以适用于检测摄像头的各种异常情况并发出报警，证明了该系统的可行性。4.3对比试验及其分析在视频异常检测方法中，除了基于特征提取的方法，还有一种基于轨迹的方法。基于轨迹的方法是通过对轨迹的检测，与背景模型进行比较，从而实现图像异常的检测。在该算法中，使用图像二值化的方法进行处理，实现了对运动的物体进行检测。采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧，应用图像背景算法来计算它是否大于阈值，ViBe算法则是一种背景建模的方法，图片背景模型是由相邻区域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在视频识别中，运动目标最小长宽比以及连续帧间的加速度来判断行为是否异常。该对比实验对视频中人体的异常行为做出检测。结果如图4.4所示。图4.4基于运动轨迹的视频异常检测图本文提出了一种检测图像异常的方法，利用视频数据分析出灰度直方图对比度变化，通过灰度直方图对比度变化来判断监控屏幕中视频显示是否存在异常，例如当摄像头移动时。接下来，将图像划分为块，并且逐块归一化直方图，使得系统防止关于诸如对象在监视器屏幕中的移动之类的情况的错误信息。实验证明。该方法有效地降低了误码率，提高了系统的准确性。基于轨迹分析的方法是使用目标跟踪的算法得到视频中运动目标的轨迹图，之后运用特定的轨迹分析方法来分析某个轨迹是否属于异常轨迹，这类方法只能在轨迹层分析速度、方向等异常，忽略了场景信息。在对3段均存在亮度异常、偏色和遮挡的不同视频检测中，对比人的主观判断，实验结果如表4.5，4.6所示。表4.5实验结果对比视频序号视频异常类型检测算法人的主观判断算法检测结果1亮度异常基于梯度与灰度存在亮度异常存在亮度异常基于轨迹存在亮度异常偏色基于梯度与灰度存在偏色存在偏色基于轨迹存在偏色遮挡基于灰度与梯度存在遮挡存在遮挡基于轨迹存在遮挡2亮度异常基于梯度和灰度存在亮度异常存在亮度异常基于轨迹无异常偏色基于梯度与灰度存在偏色存在偏色基于轨迹无异常遮挡基于梯度与灰度存在遮挡无异常基于轨迹存在遮挡3亮度异常基于梯度与灰度存在亮度异常存在亮度异常基于轨迹存在亮度异常偏色基于梯度与灰度存在偏色存在偏色基于轨迹无异常遮挡基于梯度与灰度存在遮挡存在遮挡基于轨迹无异常表4.6准确率对比视频异常类型检测算法准确率亮度异常基于梯度与灰度100.00%基于轨迹66.66%偏色基于梯度与灰度100.00%基于轨迹33.33%遮挡基于梯度与灰度66.66%基于轨迹66.66%由表4.5和4.6可以看出，在对比了基于轨迹的算法后可以发现，基于梯度的算法在亮度异常和偏色检测中，均好过基于轨迹的算法，而在遮挡的检测中，都存在问题。对于基于梯度的算法中，存在的问题原因主要为对图片进行检测时，它可能同时存在多种异常干扰。例如，亮度异常、遮挡可能会同时出现，而亮度异常会引起遮挡的误判，目前系统还不能很好地避免这一点。但整体相对良好。后又经过多次实验来分析，在对比了基于轨迹的算法后，可以发现基于梯度的视频异常检测算法有着更大的优势，所涉及的范围也更加广泛，对监视器画面出现异常的情况做出准确判断，并发出警报，在日常的监控系统中具有良好的实用性，而且该算法的复杂度更低。可以看出，在对比了基于轨迹的异常检测算法后，基于梯度与灰度的算法，在视频异常检测中，准确率更高。此外，通过使用客观评价方法，使用LIVE测试库进行测试发现，测试的准确率可以达到80%以上，检测的时间也比较短暂。所以，该算法在我们的实际应用中，可以达到短时高效的效果。

结论对于视频监控，图像质量是系统中最重要的一部分，因为图像的好坏直接影响监测的效果，如果在监测过程中出现了不正常的情况，那么对于不正常情况的及时监测就是最重要的一环，他起到了预防的作用。所以怎样实现一个准确、快速的视频质量检测系统已经成为图像处理领域一个广泛的研究问题。为了快速发现监控系统中数以百计的因为摄像头出现的异常情况。本次设计主要为：基于梯度特征的视频异常检测方法研究与实现。在该方法中，可以实现对图像存在问题的情况进行检测。本文的主要设计工作是对国内外关于视频异常检测的技术的研发，同时也对高效率视频信号传输的发展存在一定帮助，对在阶段的监控系统发展现状做出介绍，对于监控系统损坏维修市场潜能的发掘。该检测系统减轻了相关工作人员的的工作量，减小了工作风险，增加了工作效率。后来通过列举介绍了多种视频质量评价的多种方法。包括用于图像处理、图像分级的直方图等。接下来，介绍了本文的重要内容。一种常见的异常检测算法，如亮度异常、偏色异常、摄像头遮挡等。然后对数据进行了收集和整理，其中包括大量我自己拍摄的视频和少部分在网上找到的图像，对图像进行处理，从而构建了我的图像数据集，在此基础上，完成了程序的设计，实现了对异常的检测，最后通过对比试验，对测试结果进行展示。在进行对比实验后，可以得出结论：使用本文提出的基于梯度特征的视频异常检测方法具有更高的优越性，涉及的范围也更加广泛，对于多种图像中存在的问题，可以做出较为准确的检测结果，在对比了其他的算法后，可以发现该检测结果更准确，对异常检测用时很短便可完成。总的来说，该程序虽然存在检测结果与实际有出入的瑕疵，但是总体效果良好，基本满足对当下的需求。参考文献VideoQualityExpertsGroup.Finalreportfromthevideoqualityexpertsgrouponthevalidationofobjectivemodelsofvideoqualityassessment[J].VQEG,Mar,2000.[2]张力.监考场景中的视频异常事件检测研究:(硕士学位论文).杭州:杭州电子科技大学,2020.[3]LiYanli,JinDonghan，JiaoBingli.Severaltypicalperceptualvideoqualityassessmentmodels[J].ComputerEngineeringandApplications，2002,38(13):66-68.[4]Guiling,WangNannan,ZhangQiang.Study