SlowFast架构下景区异常行为识别算法及预警研究

针对当前古建筑场景下人员异常行为识别相关实例缺乏、数据集少、古建筑级别低、质量次,导致人员异常行为识别准确率低等问题,该文在古建筑景区背景下自行拍摄了多组视频,从中挑选构建了人员异常行为动作的5033段视频数据集:具有明确的典型古建筑背景;具有多人场景下暴恐打架斗殴、刻划、刻画以及存在火灾风险的人员异常行为等特征,并对每个视频进行了注释。该文首次于SlowFast网络框架中成功引入信号时域特征活动性、移动性参数,对构建的数据集进行高阶时序特征建模、增加分类算子。在人员异常行为识别任务中,模型的Top1准确率达到93.54%,而平均准确率达到96.30%,在SlowFast模型中引入活动性、移动性算子后,模型识别的准确率提升了0.87%。与几种常见架构的算法相比,该文所提出的方法存在一定的优势。

基于关键帧定位的人体异常行为识别

近年来,基于视频的人体异常行为识别算法取得了一定的研究成果,但由于监控视频中存储的数据量庞大且视频时间跨度较长,在进行长视频或多行人异常动作检测与识别时,现有的识别方法并不适用。为此,提出了一种基于关键帧定位的人体异常行为识别模型,首先,通过基于标准化流和注意力增强时空图卷积的关键帧定位网络学习正常帧的概率分布,筛选和提取出长视频中的异常帧(关键帧)序列,并将其作为后续网络模型的输入。然后,为了更好地捕捉人体姿势的运动特征和异常情况,提出一种融合注意力和增强残差的时空图卷积异常行为识别算法,将关键帧序列输入到该模型网络中以实现对监控视频中的人体异常行为的高效准确识别。使用公开数据集和自建数据集对该方法的有效性进行验证,实验结果表明,在公开数据集ShanghaiTech Campus上人体异常行为识别的TOP-1准确率达到82.86%,TOP-5准确率达到98.10%,该方法可以更好的完成监控视频中的人体异常行为识别。

船员异常行为识别与分析方法策略及应用

本文提出了一种新的船员异常行为识别与分析方法策略,并探讨了其在实际船舶中的应用。船员异常行为可能导致船舶事故和安全问题,因此准确识别和分析异常行为对于船舶运营至关重要。本文介绍了该方法的基本原理和流程,详细讨论了该方法在实际船舶中的应用。将该方法应用于一个实际的船舶数据集,并评估其性能。实验结果表明,该方法能够有效地识别船员异常行为,并提供准确的分析结果。本文提出的新的船员异常行为识别与分析方法策略在实际船舶中具有重要的应用价值,可以帮助船舶管理人员及时发现和解决异常行为问题,提高船舶的安全性和降低船舶事故风险。

基于优化CBAM改进ResNet50的异常行为识别方法

在自动视频监控应用中,准确地识别出人类的异常行为是非常困难的任务。为了解决监测系统中异常人类活动的高效识别问题,提出了一种加强局部以及全局特征信息融合的异常行为识别模型ICBAM-ResNet50。在UTI和CASIA两个数据集上进行实验,结果表明该研究比ResNet50模型准确率分别提高了7%和8%。ICBAM模块引入一维卷积替换了原始CBAM中通道注意力的MLP操作,将局部的时间特征整合到通道描述符中,缓解了通道维度由于全局处理产生的忽略信息交互的问题;其次引入时空注意力机制替换CBAM中的单一空间注意力机制,来提高模型的时空表征能力。最后,将优化的CBAM模块嵌入到ResNet50中,通过在ImageNet上对其进行预训练,在两个基准数据集上该模型分别达到了98.8%和97.9%的准确率。使用相同的数据集,将实验结果与原始识别方法进行了比较,结果表明该模型优于所比较的其他方法。

基于改进SlowFast算法的电梯乘客异常行为识别

目的:解决轿厢式电梯内乘客异常行为识别算法无法有效利用视频数据中时序特征的问题。方法:提出一种基于残差支路与BiFormer改进的SlowFast网络算法。该网络结构以RGB视频帧和残差帧作为输入,以多支路提取特征信息,融合慢支路、快支路和残差支路的时空特征,增强对乘客异常行为的敏感性,降低背景变化带来的影响。为增强时间维度信息的有效利用,在快支路与残差支路引入BiFormer结构,以学习帧间关联信息,从而提高网络对乘客异常行为识别准确率。结果:为验证网络算法的有效性,以电梯乘客异常行为数据集验证提出的网络结构。与原SlowFast网络进行对比,改进后的网络识别准确率提高了8.46%。结论:结果表明,所提出的网络算法能够充分利用视频帧中时间维度信息,可有效提高电梯乘客异常行为识别准确率,且在电梯内背景与光线变化较大的情况下,仍然具有较好的识别效果。

基于人体骨架的电梯内异常行为识别预警

为准确识别乘客在封闭狭小的电梯轿厢内发生的打架等异常行为,避免安全事故的发生,提出一种基于人体骨架联合时空特征的乘客异常行为识别方法。首先,使用YOLOv7对视频中乘客位置进行检测,通过YOLOv7-Pose姿态估计算法提取骨骼关键点坐标,滤除复杂背景干扰;其次,针对异常行为动作幅度大、速度较快、方向混乱的特征,使用SURF联合金字塔分层改进的LK光流法对乘客人体骨架特征信息进行时间、空间的联合特征提取;最后,通过特征点的光流变化来判断轿厢内是否发生异常行为并及时发出警报。本文使用的数据集分别来源于电梯场景下的自建数据集和非电梯场景下行为公开数据集,实验结果表明,本文所提方法对异常行为识别准确率达到了95.53%,在速度与准确度上相较于其他方法有一定的提高,能够满足实时要求,可应用于电梯轿厢的视频监控系统,保障乘客的乘梯安全。

航空安全员视觉搜索多重分形特征对旅客异常行为识别的影响

为保证客舱安全,及时识别出旅客的异常行为,基于眼动仪,模拟客舱旅客异常行为,构建试验系统。选取参加过工作实习的空中保卫专业的学生作为被试,获取被试的视觉特征数据。基于多重分形消除趋势波动分析法(Multifractal Detrended Fluctuation Analysis of nonstationary time series,MF-DFA),分析航空安全员的视觉搜索特征。结果表明:航空安全员的注视持续时间和扫视幅度与其识别异常行为的能力存在显著的正相关关系;具有高识别能力的航空安全员的注视持续时间和扫视幅度奇异谱宽度均大于低识别能力的航空安全员的奇异谱宽度,具有较强的抗外界干扰能力。将MF-DFA算法引入航空安全员的视觉搜索特征分析,为航空安全员的培训和选拔等提供参考。

基于改进YOLOv5的飞行员异常行为识别方法

为了快速准确地识别飞行员在驾驶舱内的异常行为,以保证航空安全,设计了一种基于改进YOLOv5算法的驾驶舱内飞行员异常行为识别方法。在YOLOv5的骨干网络中加入坐标注意力机制,获取在位置和方向上的特征信息,增强对注意力信息的敏感程度;改良交并比作为损失函数,提高模型计算速度和精度。训练自制飞行员异常行为原始数据集,实验结果表明,在模拟飞行驾驶舱中进行测试,能够准确快速识别飞行员的3种异常行为,平均精度达到98.3%,满足了识别要求。

基于时序时空双流卷积的异常行为识别

针对地铁站特定场合下,人体异常行为识别无法有效利用帧间运动时间维度信息,导致人体异常行为识别准确率不高的问题,提出一种深层次残差长短期双流网络结构。将RGB帧和连续光流帧作为双流网络的输入,分别利用ResNet34提取低层特征信息,空间流网络提取运动外观特征信息,时间流网络提取光流运动信息,然后将特征信息输入长短期记忆(LSTM)网络,有效学习空间外观和光流运动的帧间关联时间信息,并且通过多种加权融合策略加强模型识别效果。最后在地铁站异常行为数据集上验证提出的网络结构,并与原双流网络进行对比,改进后的网络识别准确率提高了4.7%,融合后的模型准确率提高了12.9%。实验结果表明,所提方法能够充分利用时间维度信息,可有效提高异常行为识别准确率,在昏暗环境下仍有较好的识别效果。

基于肉牛异常行为识别的智慧养殖系统

传统人工肉牛养殖过程中,由于需要实时关注每头牛的健康情况,耗费了管理员大量的时间和精力成本。利用智慧牛场管理系统信息化管理牛场,可以大大提高养殖的科学性和效率。因此,文章针对系统的总体架构、功能模块、实现方法进行了探讨,融入了牛的异常行为识别算法(感知哈希算法),提供肉牛的经典病例。设计的系统可以监控并识别肉牛的异常行为,辅助工作人员处理异常情况,实现智慧化养殖。

人体检测与异常行为识别联合算法

近年来,异常行为识别算法取得了一定的研究进展,但是针对复杂环境、人体遮挡、动作相似度高等多种挑战,识别算法的适应性、效率、准确性都有待进一步提高。为了解决以上问题,提出了基于特征增强的人体检测与异常行为识别联合算法,首先将视频序列分别送入人体检测网络和特征加强网络,再采用爱因斯坦求和法将特征加强网络输出的多头卷积注意力特征与人体检测网络输出的热力图特征融合,得到加强融合特征,然后利用检测网络输出的人体目标位置特征信息和ROI Align模块对加强融合特征进行人体ROI(region of interest)区域特征截取,得到人体ROI区域加强融合特征,最后将人体ROI区域加强融合特征送入Transformer时序建模网络模块进行人体行为特征时序建模和识别。所提算法充分利用检测网络中间过程产生的行为主体区域特征,弱化了复杂环境中背景的干扰,同时实现了检测网络的输出特征共享,避免了识别网络的二次特征提取过程,从而提高了网络运行效率,且利用Transformer网络的建模优势,能够充分挖掘人体行为空间特征、时序特征以及之间的跨域特征的优势。实验结果表明:所提算法在提高了网络效率的同时大幅度地提升了网络的识别准确率,达到了预期效果。

基于MHI与LBP表情识别的辅助异常行为识别

为了进一步提高家居环境中异常行为的在线识别能力,将运动历史图像与表情识别相结合,提出了一种基于MHI(Motion History Image)与LBP(Local Binary Pattern)表情识别的辅助异常行为识别方法。该方法通过运动历史图像辅助识别运动轨迹,同时利用LBP提取人脸特征,进行面部表情识别,进而辅助识别异常行为状态。实验结果表明,本文方法对异常行为的识别率有一定的提升。

基于小样本学习的老年人异常行为识别模型研究

当今社会老龄化程度逐步加重,老年人的看护问题日益凸显。基于视频识别的老年人异常行为识别旨在助力老年人看护问题。但该领域相关公开的老年人异常行为数据稀缺。针对这种情况,本文收集了老年人异常行为数据,并结合小样本学习设计了老年人异常行为识别模型(RAAE, Recognition model of Abnormal Action of the Elderly)。该网络通过patch级富集模块获取patch级空间信息,后接通道注意力模块获取帧间时间语义信息,最后通过CrossTransformer进行时间建模。实验表明该网络和以往模型相比,对老年人异常行为的识别准确率得到了4.7%的提升。

网络异常行为识别系统的构建研究

在纷繁复杂的现代网络环境中,网络攻击行为呈现出多样化、隐蔽性强、潜伏周期长、破坏性大等特点,准确、迅速地甄别出异常的网络行为,并采取相应的预防措施,能够及时地阻止非法入侵,网络异常行为识别已经成为网络安全研究的重点。本文在前人阶段性成果基础上,基于网络通信模块在协议层面对异常行为进行特征提取,并采用特征聚类方法,结合异常特征库对网络行为进行分析,构建出网络化软件异常行为识别系统。

融合记忆模块与编解码框架的异常行为识别算法

大多基于深度学习的异常行为识别算法的主要思路是学习单一正常行为带有的特征,并在识别阶段用预测误差或重建误差判断当前帧是否存在异常行为,但由于正常行为的多样性,使得在识别阶段会对正常行为造成误判。为此,本文提出融合记忆模块与编解码框架的异常行为识别算法,通过引入记忆模块来存储多种正常行为的特征。实验表明,与最新的算法相比,本文的算法在公开数据集Avenue和ShanghaiTech Campus上的异常识别AUC分别提升了0.049和0.028。

基于骨骼关键点热图的异常行为识别

人体骨骼关键点运动信息是人体行为的主要表现形式,其含有密集的行为信息,是处理异常行为识别最重要的方式之一。提出一种基于骨骼关键点热图的异常行为识别算法,沿着时间维度堆叠关键点的热图,通过较轻量的X3D卷积网络,完成异常动作识别。在搭建的异常行为识别数据集中进行测试,根据关键点数据的信息密度大但是却存在部分动作相似特点,改进损失函数,准确率为92.5??

面向网络舆情数据的异常行为识别

社交网络的日益普及和移动设备快捷的网络接入,使得网络舆情的传播十分迅捷,民众对热点话题的关注度和参与度得到很大的提升.网络舆情具有自由性、交互性、多元性、偏差性、突发性等特点,能够左右民众的情感和判断,能推动和改变事件的发展和走向,容易被反对分子利用,已经成为影响社会稳定的重要因素.因此,及时检测、控制并引导舆情的发展具有十分重要的意义.研究关注网络中传播的蕴含有"破坏"、"危险"、"损失"等涉及公共安全或涉及司法公正的行为.根据课题的需要,定义4种关注的异常行为类型:攻击行为、受伤行为、死亡行为、拘捕行为.从数据挖掘和信息抽取的角度研究识别异常行为的方法,首先通过分类器和触发词从海量的数据中过滤出包含异常行为的句子,然后抽取异常行为句中包含的命名实体,最后利用抽取的实体构建异常行为共现网络,为分析人员提供可视化的网络舆情分析方法.

基于人体骨架序列的手扶电梯乘客异常行为识别

手扶电梯(简称扶梯)乘客异常行为识别研究具有重要意义.针对传统行为识别算法易受环境影响、不能实时并准确对多目标进行识别的问题,提出一种基于人体骨架序列的扶梯乘客异常行为识别算法.该算法首先通过结合可变形组件模型特征的支持向量机检测乘客人脸,并用改进的核相关滤波器对其进行跟踪,从而得到乘客在扶梯中的运动轨迹;接着利用卷积神经网络提取轨迹中乘客的人体骨架序列,并通过模板匹配从乘客人体骨架序列中检测异常行为骨架序列;最后利用动态时间规整将其与各类异常行为骨架序列匹配,基于k近邻方法识别异常行为.对10段扶梯视频的实验结果表明,文中所提的异常行为识别算法处理速度达到10帧/秒,识别准确率为93.2%,能够实时、准确地识别多种乘客异常行为.

基于运动特征的人体异常行为识别

为了提高监控视频中人体异常行为识别的实时性和准确率,提出了基于运动特征的人体异常行为识别方法。利用分块更新的背景差法从图像中提取出完整的人体轮廓,通过区域关联结合颜色直方图实现人体目标跟踪,解决了非线性运动时漏跟和误跟的问题。通过人体运动轨迹、运动姿态及运动时间3个参数,对人的5种异常行为进行分析判断。实验结果表明,所提算法不仅能实时地对人体进行检测和跟踪,还能快速、准确地识别出异常行为,具有简单实用的特点。

基于轨迹分析的交通目标异常行为识别

针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。