基于模式挖掘的用户行为异常检测

行为模式通常反映了用户的身份和习惯 ,该文阐述了针对 Telnet会话中用户执行的 shell命令 ,利用数据挖掘中的关联分析和序列挖掘技术对用户行为进行模式挖掘的方法 ,分析了传统的相关函数法在应用于序列模式比较时的不足 ,提出了基于递归式相关函数的模式比较算法 ,根据用户历史行为模式和当前行为模式的比较相似度来检测用户行为中的异常 。

基于光流共生矩阵的人群行为异常检测

针对传统基于图像纹理特征进行人群行为异常检测算法倾向于描述人群图像纹理的变化而非人群运动行为的实际情况,导致检测性能较差的问题,提出一种反映人群运动行为真实情况的特征提取方法.首先通过Lucas-Kanade光流算法提取人群视频光流信息,并建立光流幅值共生矩阵与光流方向共生矩阵,然后通过共生矩阵提取角二阶距、对比度、熵、相似度等特征,并将其与光流幅值均值合并组成特征向量训练支持向量机,最后判断人群行为是否异常.仿真结果表明,本文的特征提取方法更加深化地处理了光流法提取的人群运动信息,具有较好的人群异常行为识别性能.

基于谱聚类算法的信息资产行为异常检测方法

在信息安全领域中,对信息资产的异常行为检测是相对困难的问题,特别是在无标记的数据集中定位某些未知的异常行为,这要求能充分找出历史数据中可以作为信息资产行为基线之内容,从而形成可靠的参照基准,并基于此对数据进行归纳和比对,分析可能存在的未知威胁。该文利用机器学习中的谱聚类算法分析相关信息资产的历史网络通信数据,基于相似性方法提取特征,建立行为基线。将待检测数据与基线进行比对,当出现一定程度的偏离则认为存在行为异常。该文所提方法可对广泛存在于网络空间中的未知威胁进行识别,以弥补传统基于签名方式的检测方法的缺失。

基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测

基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题。而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Order Tensor Machine,简称SHTM)具有很好的分类性能。但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题。同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决。因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移VGG-SHTM),利用VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常检测。为了验证该方法的有效性,邀请十位不同的驾驶员进行驾驶行为异常检测实验,对比VGG19、SHTM以及迁移VGG-SHTM的分类精度。结果显示迁移VGG-SHTM算法分类性能最佳。

Agent动态交互信任预测与行为异常检测模型

在agent理论中,信任计算是一个有意义的研究方向.然而目前agent信任研究都是以平均交互成功率来计算,较少考虑信任动态变化,因而准确预测和行为异常检测的能力不能令人满意.针对上述问题,以概率论为工具,按时间分段交互历史给出agent交互信任计算模型CMAIT;结合信任的变化率,给出信任计算的置信度和异常检测机制.实验以网上电子商务为背景,实验结果显示该计算模型的预测误差为TRAVOS的0.5倍,计算量也较少;既可用于对手历史行为的异常检测,防止被欺骗,又可用于对手未来行为的预测.改进了Jennings等人关于agent信任的工作.

基于环境传感器和穿戴式传感器的行为异常检测

针对独居老人频繁出现行为异常的情况,提出了基于热释电红外传感器和穿戴式传感器的老人行为异常检测系统。设计了行为异常检测的硬件环境,介绍了红外传感器和穿戴式传感器的工作原理,提出了依据重力加速度所在轴向检测老人躺下位置是否发生异常的方法,并融合了红外传感器和穿戴式传感器的信息对躺下位置异常进行检测。在1居室的家庭环境中对位置异常检测的方法进行验证,通过实验的方法验证了算法的可行性,并确定了检测躺下状态的阈值。系统能有效实现对独居老人是否发生躺下位置异常进行检测。

室内场景下人体行为异常检测方法研究

基于图像的人体异常行为检测方法,当人数增多、遮挡等情况发生时,人体行为数据信息可靠性较低,检测精度不高、自适应性差,本文提出一种基于姿态特征的异常行为检测方法解决上述问题。利用成熟的人体姿态识别技术提取视频中人体关节点数据,将关节点坐标转化为人体行为的角度特征和距离特征以表达人体姿态;应用机器学习方法对关节特征进行分析和处理,获取有利于标识异常动作的数据分布特征;采用聚类算法在视频序列中对异常行为进行标记;使用支持向量机识别具体异常动作种类,实现人体异常行为检测。实验结果表明,相比于基于图像检测的方法,该算法检测精度达到了89.65%,可以运用于室内人体行为检测。

基于S-SVM的大规模网络行为异常检测

现阶段针对大规模网络行为数据的入侵检测技术主要以数据挖掘技术为重要趋势,较有代表性的工作之一有采用支持向量机来抽取网络数据的特征,建立入侵检测模型。针对网络行为数据集的稀疏性,可以采用由"l1范数"而得到的稀疏支持向量机算法,对网络行为数据集进行特征提取和分类。通过引入列生成和约束生成算法对S-SVM的模型进行求解,最后利用HTTP DATASET CSIC 2010数据集进行实验,验证了此类稀疏支持向量机算法在大规模网络行为异常检测中的可行性和准确性。

基于人头检测与跟踪的人群行为异常检测

随着技术的进步与人们对社会公共安全重视程度的提高,视频监控系统在日常生活中发挥着越来越重要的作用。构建人群异常行为检测可以帮助监管人员及时做出决策,也大大节省人力资源。基于深度学习目标检测模型,提出一种基于人头检测与跟踪的人群行为异常检测方法,通过大量的样本训练一个单一人头目标检测的MobileNetSSD卷积神经网络模型,将一幅图像输入神经网络模型中识别出人头的位置,基于核化相关滤波算法的目标跟踪对检测到的人头进行跟踪,最后基于运动信息进行异常行为判断。大量室内场景实验测试证明此系统的实时性好、准确率高,具有较强的鲁棒性。

基于多层记忆增强和残差时空变换器的鱼类异常运动行为检测

由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U-Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U-Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明:该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。

骨架引导的多模态视频异常行为检测方法

视频异常行为检测是智能视频监控分析的一项重要且具有挑战性的任务,旨在自动发现异常事件。针对只采用单骨架模态导致部分相似运动模式的行为难以区分和缺乏时间全局信息的问题,提出骨架引导的多模态异常行为检测方法。为了充分利用RGB视频模态和骨架模态的优势进行相似行为下的异常行为检测,将从骨架模态中提取的动作行为特征作为引导,使用新的空间嵌入来加强RGB视频和骨架姿态之间的对应关系。同时使用时间自注意力提取相同节点的帧间关系,以捕获时间的全局信息,有效提取具有区分性的异常行为特征。在两个大型公开标准数据集上的实验结果表明所提方法能够有效加强骨架引导的多模态特征在空间和模态上的对应关系,并捕获时空图卷积缺乏的时间全局信息,使运动模式相似的异常行为实现更准确检测。

多尺度融合与FMB改进的YOLOv8异常行为检测方法

针对异常行为检测目标面临多尺度变化、易漏检误检以及复杂背景干扰等问题,提出了一种多尺度特征融合与快速多交叉结构改进的行人异常行为检测方法。该方法以YOLOv8为基线网络,在模型主干部分设计了快速多交叉结构提升上下文信息感知能力并减少网络参数,提出空间递进卷积池化模块实现多尺度信息融合,降低尺度差异带来的易漏检误检问题,提高检测的准确度;在模型颈部中引入SimAM注意力机制抑制复杂背景干扰,提升目标检测性能;最后采用WIoU损失函数平衡检测锚框的惩戒力度增强模型泛化性能。所提方法在UCSD-Ped1、UCSD-Ped2数据集进行验证,并在OPIXray数据集进行了泛化性测试。结果表明,所提方法异常行为识别精度较诸多先进检测算法均有不同程度的提升,且参数量更小,是一种性能较为优异的行人异常行为检测方法。

基于扩张卷积融合时序特征异常行为检测

本文提出一个基于扩张卷积的多尺度融合行人原型和时空特征的深度自编码器网络。为了更好地利用视频中行人的时序特征,在编码器和解码器的潜在空间处添加一个双分支结构,分别是预测时空特征的递归神经网络分支和保存行人正常模式的记忆存储模块。为了增强行人特征提取,忽略背景信息影响,增加模型的泛化能力,在编码器中加入改进的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,并在卷积块中使用混合扩张卷积(Hybrid Di-lated Convolution,HDC)原则,解决行人大小变化的问题,同时在解码器中引入多级残差信道注意力机制,获取更多的上下文信息。模型在数据集USCD Ped2,CUHK Avenue的曲线下面积(Area Under the Curve,AUC)分别达到了0.982,0.928。

结合模式记忆和自监督注意力的人群异常行为检测方法

为实现复杂环境下监控视频中异常事件的快速检测和准确定位,提出一种结合正常模式记忆和自监督注意力机制的异常检测框架。记忆机制综合考虑正常模式的多样性和差异性,解决卷积神经网络(CNN)泛化性过强的问题。自监督模块包含遮罩卷积层和通道注意力层,通过遮罩信息预测的自监督训练,提高模型对全局特征结构的理解。公开数据集的实验结果表明,所提方法的曲线下面积(AUC)指标分别达到92.6%和82.7%,性能优于当前其它先进的视频异常检测方法,在轨迹检测标准(TBDC)和区域检测标准(RBDC)指标中表现出优秀的异常跟踪和定位能力。

视频异常行为检测综述

视频异常行为检测作为计算机视觉的研究热点,通过提取视频内容时间和空间特征,判断视频中是否存在异常事件和事件种类,定位异常发生的区域和时间。以有监督/无监督学习为线索,对现有视频异常行为检测方法进行系统梳理和归纳。在有监督类方法中,细分为基于偏差均值计算方法和基于多模态方法;在无监督类方法中,主要总结了基于完全无监督的多种方法。从当前主流建模思路出发对偏差均值计算方法系统性说明,按照不同模态特征的使用及其处理方式对多模态方法进行阐述和总结,根据两种模型训练方式介绍完全无监督方法。对比了不同模型的网络架构,并归纳总结出各类异常行为检测模型的测试数据集、使用场景、优势和局限性。通过基准数据集以帧级标准和像素级标准等常用评价标准进行了模型比较和性能评估,同时通过不同方法的性能表现进行类内对比,并对结果进行分析总结。通过虚拟合成数据集、多模态大模型和轻量级模型等五个方向探究了视频异常行为检测的发展趋势。

基于注意力特征融合的视频异常行为检测

当前以多头自注意力为代表的基于注意力机制的特征融合方法在很大程度上取决于特征间的相关性,其跨域融合能力有限,且特征融合后由于不同特征的域间差异,导致时空感知能力不足,有效融合2种跨域特征仍面临挑战。针对RGB特征和光流特征跨域表达能力不足、融合后特征的时空感知能力弱等问题,提出了一种基于注意力特征融合的视频异常行为检测方法。首先采用一种轻量级注意力特征融合模块(LAFF)构筑融合机制,进行RGB和光流特征的融合,进而在增强融合后特征表达能力的同时减少网络参数量,提高异常检测算法性能。在全局时空感知阶段,通过多分支卷积模块(DBB)增强特征时空感知能力,同时需兼顾计算复杂度和检测效果。在UCSD Ped2数据集上取得了99.85%的识别效果,在CUHK Avenue和LAD 2000数据集上表现同样良好,验证了该方法的有效性。

拓扑信息引导的视频异常行为检测方法

在视频异常检测任务中,良好的特征提取能力在多帧预测方法中十分重要。然而当面对复杂的环境时,传统的基于空间特征的提取方法往往在多层卷积的过程中忽略了底层特征之间的全局依赖关系。为了更好地进行特征提取,提出一种依托拓扑强相关信息引导的视频异常检测方法。该方法针对底层特征序列进行全局相关性信息的提取,并以此初步增强特征中强关联的信息。将底层特征作为节点,裁剪后的相关性信息作为邻里矩阵,构建关键特征之间的拓扑结构关系图,有效地利用了关键特征的拓扑结构信息。将初步增强的特征与拓扑结构特征进行特征融合,帮助模型更深入更全面地筛选关键特征,提高了特征表达能力。该方法在Ped2、Avenue和ShanghaiTech三个公开数据集上取得了良好的视频帧预测效果,提高了模型的检测精度。

基于多尺度特征记忆增强的异常行为检测算法

针对传统视频异常行为检测任务中存在目标对象空间尺寸变化差异大和对异常行为预测的泛化能力过强等问题,提出一种基于多尺度特征记忆增强的视频异常行为检测改进方法。通过多分支结构的空洞卷积组成的多尺度特征模块在高级特征图上提取不同尺度的特征信息,级联记忆增强模块存储正常行为特征以削弱泛化能力。在多尺度特征模块和记忆增强模块的协同工作下能够有效收集和记忆正常行为场景中的多尺度特征信息。以实验分析验证该方法的有效性。

基于全局上下文网络的视频异常行为检测方法

文中针对视频信息中的长距离时间特征关系易被忽略的问题,提出了一种基于全局上下文网络的弱监督视频异常行为检测方法。为了提升对视觉场景的全局理解,提高异常检测的准确性,对时间特征提取模块进行改进,仅计算一个与查询位置无关的全局注意力矩阵,并对所有查询位置共享,有效降低网络计算量和参数量。同时进行网络模块优化,加快运算速度。实验结果表明,基于全局上下文网络的视频异常行为检测算法能够在网络更具轻便性、运算效率更高的情况下有效提高异常检测准确率。

改进重建和预测网络的人体异常行为检测方法

在人体异常行为检测中,为了能够更加充分地利用动作和时空特征信息,提出了一种基于重建和预测网络的人体异常行为检测方法。该方法中的网络结构由重建子网络和视频预测子网络组成,其中重建子网络采用自编码器结构,以连续的视频帧作为输入来对下一帧进行重建;预测子网络采用基于3D卷积的编码器、解码器结构作为网络主干,通过输入一连串视频帧图片对后续视频帧进行预测。此外,为了能让重建子网络更好地关注人体行为的动作特征,采用詹森-香农散度(JSD)来计算重建帧与原始帧之间的差异,同时在预测子网络中添加时空一致性的正则化约束。UCSDped2、Avenue和ShanghaiTech三个数据集上的实验结果表明,该方法相比于其他的视频人体异常行为检测方法在AUC指标上有更好的表现,在UCSDped2、Avenue和ShanghaiTech数据集中分别达到了97.3%、91.1%和82.6%。