针对人群异常行为检测任务中存在的算法复杂度较高, 重叠遮挡等带来的检测精度低等问题, 本文提出一种基于改进 SSD(Single Shot Multi-box Detector)的人群异常行为检测算法。首先采用轻量级网络 MobileNet v2代替原始特征提取网络 VGG-16, 并通过可变形卷积模块构建卷积层来增强感受野, 然后通过将位置信息整合到通道注意力中来进行特征增强, 能够捕获空间位置之间的远程依赖关系, 从而可以较好处理重叠遮挡问题。实验结果表明, 本文提出的算法对人群异常行为具有较好的检测效果。

传统基于卷积神经网络(CNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征, 故无法准确捕捉视频流在时序上的动态特征。为此, 提出一种基于改进C3D网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的C3D网络进行视频流梯度方向直方图(HOG)特征提取, 并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作, 并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明, 所提出的改进C3D-RF方案对人群异常行为的检测准确率保持在90%以上, 且与传统C3D网络、支持向量数据描述模型(SVDD)、编码深度卷积神经网络(CAE)等方法相比, 其训练时间缩短了15.34%以上。

视频异常行为的检测对保障公共安全至关重要,对基于深度学习的异常行为检测算法进行了分类与总结。首先,介绍了异常行为检测的整体流程。然后,根据神经网络训练的方式,从有监督学习、弱监督学习和无监督学习三个方面论述了深度学习在异常行为检测领域的发展与应用,同时分析了不同训练方式的优缺点。最后,介绍了常用数据集以及性能评估准则,分析了不同算法的性能,并展望了未来的发展方向。

针对Tiny YOLOv3算法在扶梯异常行为检测时存在高漏检率和低准确率的问题,提出一种改进的Tiny YOLOv3网络结构用于扶梯异常行为检测。利用K-means++算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数,使训练网络在异常行为检测方面具有一定的针对性。利用多层深度可分离卷积提取深层次的语义信息,加深特征提取的网络结构;增加一个尺度用于低层语义信息的融合,改进原有算法预测层的结构;使用GPU进行多尺度训练,得到最优的权重模型,对扶梯异常行为进行检测。实验结果表明,优化后的模型与Tiny YOLOv3相比,平均漏检率减小了22.8%,检测精度提高了3.4%,检测速度是YOLOv3的1.7倍,更好地兼顾了检测的精度和实时性。

针对多视角下老龄人异常行为检测问题, 利用3D人体数据和多线性子空间分析方法, 从时间、视角和空间动作特征对其进行了研究。首先通过三维结构光传感器获取人体扫描点云数据, 并进行点云精简和人体表面重建。然后提取人体点云数据的表面曲率特征, 并将其映射到二维彩色图像中, 构成彩色动作特征图。通过提取特定时长内所有动作的彩色特征图, 生成基于曲率的彩色动作能量图模型, 并使用2D-PCA对彩色动作能量特征图进行降维。最后运用基于张量分析的多线性子空间分析方法, 对多视角下降维后的数据进行视角无关的特征提取, 并完成异常行为的分类和识别。实验结果表明, 该方法切实可行, 可将其应用于助老机器人和老龄人监护等相关领域。

在异常行为检测中, 群体行为难以描述。针对该情况, 提出了一种基于个体与群体中其他个体的行为相似性(集群性特征)的异常行为检测方法。该方法首先采用混合高斯模型提取出视频的背景; 然后, 使用 KLT (Kanade–Lucas– Tomasi)算法追踪运动人群; 接着, 从群体的运动方向和速度两个角度提取出集群性特征; 最后, 利用集群性特征直方图描述行为, 计算直方图的熵值来判断行为的异常。基于不同场景下的视频序列所进行的测试结果验证了所提方法的有效性。

针对智能视频监控的需求, 提出一种无监督学习的异常行为检测方法。首先, 采用混合高斯模型建模提取出运动目标, 对运动区域进行标记; 然后提取运动区域内的光流信息, 将其归一化成特征矩阵, 并建立实时更新的特征矩阵观测序列; 最后利用二维主成分分析(2DPCA)的重构原理对观测序列进行分析, 根据重构特征矩阵与原特征矩阵的能量比来判断是否存在异常行为。基于不同数据库下的视频序列实验结果验证了所提方法的有效性。