申小虎，安居白

(1. 大连海事大学信息科学与技术学院，辽宁 大连116026；2. 江苏警官学院刑事科学技术系，江苏 南京210031)

1 引言

从视频中判断场景所处环境属于图像理解任务，在机器人视觉领域被广泛应用[1]。在公安视听技术领域，通过对治安监控探头、行车记录仪、执法记录仪中所摄制的音视频文件进行场景识别分类，可对海量非结构化的音视频信息进行结构化分析、加注结构化标签，并可与其它关键信息进行数据碰撞后达成快速破案的目的。

特征数据与分类模型是场景识别系统(Scene Recognition System， SRS)的基础，视听特征的准确抽取与良好的分类模型是提升系统分类精度与鲁棒性的关键[2]。在音频特征信息抽取上，由于受特定的声音事件如人类说话声、汽车引擎轰鸣声等的影响，目前需要主要解决的问题是复杂的背景噪音以及弱化房间混响效果[3]。为解决此类问题，Vincent等人则提出深层去噪自编码器[4]，该方法的核心思想是通过训练一个栈式自编码器用于修复受噪声干扰的输入信息，并重构出纯净的音频信息，使训练后的音频特征具备鲁棒性，但该方法只能抽取低维度特征。Sainath等人利用受限玻尔兹曼机(RBM)与深度信念网络(DBN)对输入的原始特征进行维度压缩，并作为GMM-HMM系统的输入[5]。利用视频帧进行场景识别的研究主要集中在利用卷积神经网络(CNN)寻找更完善的时空域特征描述符、嵌入全局信息以找到给定图像的最合适表示。Ji S等人提出时空域卷积神经网络对视频行为上的运动信息建模[6]。……