基于生成对抗网络的人体异常行为检测算法

针对复杂场景中人体遮挡导致人体异常行为检测效果差、实时性低的问题,提出一种基于生成对抗网络的人体异常行为检测算法。通过生成对抗网络预测视频帧,引入感知网络提取复杂场景视频流中的人体运动特征,并建立异常行为判决函数,实现对异常行为的准确检测。实验结果表明,该算法在复杂场景情况下可准确检测出视频中的异常行为,检测精度可达到96.7%,相比于时空自动编码器异常行为检测算法提升了5.5%;对于视频流的检测速度达到25 FPS,可实现对人体异常行为的实时检测。

基于深度学习的人体异常行为检测综述

如今,从大量视频流中手动搜索异常事件是一项艰巨的任务,而基于深度学习的人体异常行为检测不仅省时省力,且决策能力相对可靠,从而保证了公共安全。首先回顾了异常行为检测任务的传统机器学习方法并引入深度学习方法;然后概述异常事件的定义与人体异常行为检测的过程;最后详细介绍了基于深度学习的人体异常行为检测方法。

注意力与特征融合的未来帧预测异常行为检测算法

针对异常行为检测模型中检测准确度较低,目标异常类型判断不准确等问题,提出注意力与特征融合的未来帧预测异常行为检测算法。该算法采用无监督生成对抗网络模型,通过计算真实帧和预测帧之间的误差来判断当前帧是否为异常帧。在生成网络中,以U-Net网络结构为基础,首先引入SoftPool层,减少池化过程中的信息损失;其次引入即插即用的轻量级注意力机制,增强背景信息和目标信息差,有效提升网络性能的同时不增加网络的复杂性;然后,在U-Net编码器低层构造了一种新的特征融合模块来增强图像全局信息的依赖性;最后,为了融合上下文信息,提取更丰富的特征作为输出图像,构造一种新的特征提取模块添加到网络特征图的输出部分。判别网络以马尔可夫判别器为基础,使网络更加关注图像的细节特征。实验中,采用CUHK Avenue数据集和UCSD Ped2数据集对该算法进行验证。实验结果表明,改进后的网络在CUHK Avenue数据集上检测精度达到了85.4%,在UCSD Ped2数据集上检测精度达到了92.4%,证明了该算法的有效性。