基于预测神经网络的群体异常行为研究

• 作 者: 刘越
• 机 构: 东华大学
• 出 处: 东华大学
• 发表日期: 2019年12期
• 关键词: 目标检测

近年来，随着人们公共安全意识的提高，公共区域的安全问题受到越来越多人的关注，对群体异常行为的检测成为当下研究的热点问题。本文从群体目标的检测，异常行为的识别以及群体异常行为的分类三个方向进行了深入的研究。具体的研究内容如下：
　　（1）基于改进滑动高斯平均模型的群体目标提取。运动目标检测技术是理解异常行为的基础，目的是在图像序列中将运动目标从背景中分离出来。传统的光流法耗时长，对硬件有较高的要求，无法满足实时性的要求，帧差法适用于动态的场景，适应能力强，但是只能提取到目标的轮廓信息，当目标的纹理和灰度相近时，会出现“空洞”现象，背景差分法的效果取决于背景模型建立的好坏，混合高斯模型虽然准确度高，但是计算缓慢。考虑到传统的目标检测算法存在的问题，本文对滑动高斯平均模型背景更新方式进行了改进，针对滑动平均更新率一直固定在一个很小的值，前期收敛速度慢的缺陷，提出了更新率逐步衰减的算法。首先对更新率设置一个较大的初始值，在更新过程中对其增加一个衰减参数，提高前期模型的收敛速度，当更新率稳定到一个较小的值，停止衰减，增强模型的抗干扰能力，最后设置合适的阈值分割前景和背景，提取运动区域。将改进后的滑动高斯平均模型与背景差分以及未改进的模型进行对比，结果显示，该模型能够快速收敛，在检测精度上有显著的提升。
　　（2）基于预测神经网络 PredNet 的异常行为检测。通常完成运动目标检测后，需要提取运动目标相应的特征，对这些特征进行分类模型的训练，最终识别出异常行为。预测神经网络PredNet在每一层传递预测误差的网络特性，使得它能够潜在地学习物体的内部运动特征，因此训练出的预测帧包含了物体的内在模型和运动模型。利用这一特性，本文创新性地将PredNet应用于异常检测。通常，未经处理的预测帧与实际帧之间差距很小，而且预测帧中包含复杂的背景信息，无法检测出异常行为。通过放大预测帧和真实帧在运动目标区域的差异来表征目标的运动状态变化的剧烈程度。在UMN数据集3个不同场景下，目标的运动强度不同，本文以目标的最大运动强度为依据自适应地调整阈值，以此检测出异常行为，实验证明，该方法的准确度为97%，高于常用的社会力模型和光流法。
　　（3）基于深度卷积网络的异常行为分类。若要对打架斗殴、四处奔跑等异常行为进行分类，目前已有的数据集均无法满足这个要求。针对这种情况，本文在之前的提取方法上进行改进，将异常帧的范围向目标运动最剧烈的方向进行压缩，保证提取的异常帧不包含正常帧并且运动特征明显，对多个已有数据集和网站视频进行抽取，由此建立新的异常行为数据集应用于异常分类。为了实现对打架斗殴和四处逃散两种行为的分类，本文基于LeNet-5模型进行了激活方式和池化方法的改进，并将其与原始模型和深度残差网络 ResNet 的分类结果进行比较，实验表明，改进后的LeNet-5模型和深度残差网络在异常行为分类任务上都有不错的表现。