公共场所行人异常行为识别方法综述

为明确公共场所行人异常行为识别理论与技术研究进展,首先,借助中国知网(CNKI)和Web版引文数据库(WOS),给出公共场所行人异常行为广义定义与泛在特征,将常见异常行为划分为危害行为、不合群行为和违规行为3类;其次,从数据和技术基础视域,将现有异常行为识别方法划分为人工设计法、人体骨架法、红绿蓝(RGB)图像法和可穿戴传感器法4类;然后,梳理国内外主流人群异常行为数据集,分析相关算法在数据集上的性能表现;最后,从可用数据集和数据融合检测等方面总结现有研究方法局限性,给出未来研究方向与优化建议。研究结果表明:4类异常行为识别方法各有其优缺点;异常行为识别领域缺乏行为种类丰富、定义清晰、高质量的人群异常行为数据集;未来研究应聚焦稳健性强、准确率高的异常行为识别方法、模型及算法;探索多维数据融合互补检测方法,提升异常行为识别理论成果的应用场景的自洽性和自适应性,提高公共场所人群安全治理水平。

面向水域人员的不安全行为识别算法与应用

为保障水域人员生命安全,针对水域环境人员不安全行为识别问题,提出一种基于Faster-RCNN+改进SlowFast的水域人员行为识别网络。主要工作包括以下几点:第一:根据采集的95段视频制作水域人员动作行为数据集,其中共有161687张快通道帧,5543张关键帧,共计标注框9173个。第二:使用Faster-RCNN+SlowFast模块化设计对水域人员动作行为数据集进行目标定位及行为分析,其实验结果表现良好,可以识别水域人员位置及行为。第三:提出一种与时域压缩策略相结合方式的改进SlowFast网络,结果表明改进SlowFast网络模型识别准确率提高5.0%,推理速度得到约1.14倍提升,实验证明可有效帮助识别水域人员的行为识别问题。

基于深度学习的人体行为检测方法研究综述

当下结合计算机视觉和视频的特征提取对人体行为动作进行捕捉识别的研究炙手可热,并且其在智能视频监控和智能家居的人机交互等其他领域方向上的应用场景也十分丰富。基于传统方法的人体行为检测算法有着依赖数据样本过多、易受环境噪音影响从而降低精确率等缺点,而不断发展的深度学习技术逐渐展现出它的优势,可以很好地解决这些问题。本文基于此,首先介绍一些目前常用的行为识别数据集并在此基础上剖析当下基于深度学习的人体行为识别检测的研究现状;其次描述常见的人体行为识别检测方法及其识别的流程;最后对现存的各种行为识别检测方法性能、现存问题进行总结和未来发展方向进行展望。

智能手机传感器的人体行为识别技术

从传感器选择、特征提取、行为识别等3个方面对基于机器学习的人体行为识别技术进行分析,对比各类算法的优势和不足。总结对比常用公开数据集,并展望人体行为识别技术在案件现场的应用,最后讨论了人体行为识别发展的难点和新方向。

基于深度学习的人体行为检测方法研究综述

行为检测是视频理解与计算机视觉领域炙手可热的研究内容,备受国内外学者的关注,在智能监控、人机交互等多领域被广泛应用。随着科技的进步,深度学习在图像分类领域取得了重大突破,将基于深度学习的识别方法应用于人体行为检测研究已成为行为检测中的热点。基于此,首先对几种常用于行为检测的数据集,及近几年深度学习在行为检测领域的研究现状进行了介绍;接着分析了行为检测方法的基本流程,以及几种常用的基于深度学习的检测方法;最后,从方法性能优劣、应用前景等方面对人体行为检测方法的尚存问题与未来发展趋势进行了分析和展望。

基于深度学习的人体行为识别方法综述

人体行为识别作为计算机视觉领域的重要研究热点,在智能监控、智能家居、虚拟现实等诸多领域中具有重要的研究意义和广泛的应用前景,备受国内外学者的关注。基于传统手工特征的方法难以处理复杂场景下的人体行为识别。随着深度学习在图像分类方面取得巨大成功,将深度学习用于人体行为识别方法中已逐渐成为一种发展趋势,但其仍然存在一些困难与挑战。首先,根据特征提取方法的不同,简单回顾了早期基于传统手工特征的行为识别方法;然后,从网络结构的角度着重对近年来一些基于深度学习的人体行为识别方法进行论述和分析,其中包括目前常用的双流网络架构和三维卷积网络架构等;另外,还介绍了目前用于评价方法性能的人体行为识别数据集,同时总结了部分典型方法在UCF-101和HMDB51两个著名的公开数据集上的性能;最后,从性能和应用两个方面对基于深度学习的人体行为识别方法的未来发展方向进行了展望,并指出了当前方法存在的不足之处。

人体行为识别特征提取方法综述

行为识别的过程很大程度上可以看作特征提取与分类器相结合,故特征提取方法的优劣直接影响最终识别效果。与静态图像物体识别相比,视频中人体行为识别特征提取更易受到动态背景、采集设备运动、视角和光照等因素影响人体,从而对研究人员的工作提出了很大挑战。为此,综合了近几年对行为识别特征提取系统分类和不同类型行为识别特征提取方法以及常用行为识别数据库等领域研究的最新进展,探讨了目前研究难点,阐述了与未来可能的研究发展方向。

人体行为识别研究综述

行为识别是计算机视觉领域意义重大的热点研究问题,它经历了从手工设计特征表征到深度学习特征表达的发展过程。从传统行为识别模型和深度学习模型两方面,对行为识别发展历程中产生的主流算法进行了归类梳理。传统行为识别模型主要包括基于轮廓剪影、时空兴趣点、人体关节点、运动轨迹的特征描述方法。其中改进的密集轨迹方式拥有良好的鲁棒性和可靠性;深度学习网络架构主要有双流网络、3D卷积网络和混合网络。首先,重点阐述了各行为识别算法的主要研究思路与创新点,并介绍了每类算法的模型架构、算法特色、适用情境等。然后,对广泛使用的公共行为数据库进行了分类阐述,着重对HMDB51和UCF101数据集进行了详细介绍,比较分析了传统方法和深度学习算法在各数据集上的识别效果。通过对比分析发现,传统方法不适用于高精细行为的识别,且不易实现跨数据库或跨场景的推广;深度架构中,双流网络和3D卷积网络获得了比较好的行为识别效果且被广泛使用。最后,对行为识别的未来发展进行了展望,指出了若干将来可行的研究方向。

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.

星际争霸图像序列的群体行为识别研究

以星际争霸游戏图像数据的群体目标行为识别为研究目标,构建游戏中群体目标典型行为的数据集,并应用当前主流的行为识别方法对游戏图像序列进行了群体行为识别。群体目标典型行为的数据集共包含战斗、移动、静止这3类典型行为,每个行为样本中包含不同数量、不同背景和不同行为表示形式的目标单元,充分保证了数据样本的多样性。分别使用时间段网络(TSN)、3D卷积(C3D)网络、膨胀3D卷积网络(I3D)以及时间移位模块(TSM)这4种行为识别方法,对构建的星际争霸图像序列群体目标行为识别数据集进行了验证。实验结果表明,本数据集有效,且基于3D卷积网络的C3D模型取得了最好的行为识别效果和最短的计算时间,满足群体目标行为识别任务需求。本文为后续研究遥感图像的群体目标行为识别方法提供了指导和迁移学习的原始数据。

基于改进慢快网络的猕猴多行为识别方法

猕猴作为药物安全性评估中常见的动物模型,其行为反映它用药前后的健康情况,可以揭示出药物产生的副作用。目前,研究人员通常利用人工对猕猴的行为进行观察,该方式无法实现不间断的24 h监测。因此,急需发展一种方法体系实现对猕猴行为的24 h观测和识别。针对此问题,本文构建了一个包含九类猕猴行为的视频数据集(MBVD-9),并在此数据集的基础上提出一种名为基于变换器(Transformer)增强的慢快网络(SlowFast)用于猕猴行为识别(TAS-MBR)。具体地说,TAS-MBR网络在SlowFast的基础上将其快支路输入的红绿蓝(RGB)色彩模式帧转化为残差帧,并在卷积操作之后引入了变换器模块,更有效地提取了运动信息。结果显示,TAS-MBR网络对猕猴行为的平均分类准确率为94.53%,较原有的SlowFast有明显提升,证明了本文所提方法在猕猴行为识别方面的有效性和优越性。这项工作为猕猴行为的不间断的观测和识别提供了新的思路,奠定了药物安全评价中进行用药前后猕猴行为计算的技术基础。

Child Upbringing and Delinquency： Implication for Societal Development in Nigeria

This paper investigated the influence of parental child upbringing styles and juvenile delinquency and the implication for societal development. A total number of 35 female and male delinquent inmates of Children Correctional Centre in Cross River State and 35 female and male non-delinquents from a normal school aged from 12 years to 17 years took part in the study. The Child Rearing Questionnaire （CRQ） designed by the researcher was used for data collection. Two hypotheses were formulated to guide the study. Chi-square was used in testing the study hypotheses at .05 level of significance. The result of the data analysis showed that parental child-rearing style has a significant influence on the three aspects of dishonest behaviour, namely lying, stealing, and truancy, and parents＇ bonding with their children is also significant. Based on the findings, it was recommended among others that parents should adopt more of authoritative child upbringing styles. Parents are expected to guide and modify the behaviour of their children to conform with the acceptable behaviours in society as well as participate in activities aimed at preventing crime or disorder being committed by their children.