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。

基于改进3D ResNet的视频人体行为识别方法研究

针对人体行为在视频中呈现的时序性特点,提出了一种融合非对称卷积和CBR模块的视频人体行为识别方法。该方法使用3D ResNet-50作为主干网络。首先,将网络中较大的卷积核拆分为2个非对称3D卷积核的串联,加深卷积层在水平和竖直方向上的局部关键特征提取;其次,加入了CBR模块,以增加网络层数。该网络对连续的视频帧序列进行图像和时序的多角度特征提取,并根据特征数据对其进行分类,最后输出识别结果。在基准数据集UCF101上的大量实验结果表明,所提方法的Top1准确率和Top5准确率与原始3D ResNet网络相比分别提升了4.03%和4.99%,且该方法的识别准确率也优于其他主流方法的识别准确率。

基于人工智能的鱼类行为识别研究综述

鱼类行为识别对于生态学、水产养殖、渔业资源管理等方面具有重要意义,可以通过其行为模式判断其生长发育状况和活动水平,并间接评估环境因素对其影响,以减少鱼类生长应激反应,提高资源利用效率,为水产养殖的智能化发展奠定基础。近年来,基于人工智能技术的鱼类行为识别方法受到广泛关注,其具有无损性、低成本等优势。本文综述了近5年基于卷积神经网络、循环神经网络、双流卷积神经网络等人工智能方法的鱼类行为识别技术,对鱼类行为识别方法及数据集进行了归纳与分析,在此基础上,对未来的研究进行讨论与展望。

基于眼动追踪的食物消费行为分析数据集——以功能性食品为例

随着眼动追踪技术深入发展,以及在行为经济领域的结合应用,目前在消费行为研究中结合眼动追踪技术进行探索分析已逐步成为主流。近年来,在食物消费行为领域结合眼动分析的研究迅速增长。其中功能性食品备受消费者关注,本数据集对消费者选购功能性食品过程中的眼动数据进行记录和保存,为研究消费者对功能性食品的消费偏好和购买行为提供数据支撑。本数据集利用眼动追踪技术开展选择实验,收集了151名消费者选购功能性纯牛奶过程中视觉注意力数据,涵盖总注视时长、平均注视时长、首次注视时长、注视频次、瞳孔直径5个维度指标以及最终购买决策,共755条数据,所得结果均经过人工质量检验,数据处理按照规范化步骤完成。本数据集为广大学者从行为经济学视角分析功能性食品消费的影响因素提供数据支持,并为利用眼动追踪技术开展功能性食品视觉营销提供了基础数据和实验范式。

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。

基于深度学习的行为识别技术在电力系统的应用

阐述深度学习模型的网络框架,包括数据预处理、深入学习网络模型培训和试验、模式的镶嵌式硬件实施、行为数据集与实验环境、模型参数设置,探讨深度学习行为识别模型的应用。

采用梯度提升决策树的车辆换道融合决策模型

车辆在执行换道行为时,由于受到较多环境因素影响,难以准确进行换道识别和预测.为解决这一问题,提出一种基于梯度提升决策树(GBDT)进行特征变换的融合换道决策模型,以仿真驾驶员在高速公路上自由换道时的决策行为.采用主体车辆与目标车道后车的碰撞时间tlag及车辆周围交通状态变量进行车辆换道行为的建模分析,在NGSIM数据集上对建立的融合换道决策模型进行参数标定和模型测试.实验结果表明:融合换道决策模型以95.45%的预测准确率超越支持向量机、随机森林和GBDT等单一的换道决策模型,获得了最突出的表现.变量分析结果表明:新引入的换道决策变量tlag对车辆换道行为具有重要影响.提出的融合换道决策模型能够进一步减少因换道决策误判而导致的交通事故.

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。

社交网站中用户评论行为预测

社交网站为用户相互交流、发表意见和观点提供了非常便利的平台。对社交网站的用户行为进行建模和预测对于安全、商业等多个领域具有十分重要的社会意义和应用价值,近年来逐渐得到研究者的重视。面向社交网站中用户评论行为,预测用户是否会参与讨论。采用基于特征的机器学习方法,其中特征包括讨论帖子及其内容、用户行为特征和社交关系,并引入参数控制数据集的不平衡性。实验采用来自豆瓣小组的真实数据。实验结果表明,新提出的用户行为和社交关系特征以及对不平衡数据集的处理方法能够有效提高用户评论行为的预测效果,进一步说明用户的历史行为和所在的社交关系网络对当前的评论行为有较大影响。

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.

东北财经大学图书馆用户借阅记录数据集

利用汇文文献信息系统抓取了2011–2020年间东北财经大学图书馆用户借阅数据,该数据包含了用户信息、借阅信息及图书信息。通过数据匹配和加密处理,共获得1464729条记录。其中对用户信息ID进行了UUID重新编码处理,保证了用户隐私。本次公开的数据集有助于高校图书馆准确掌握近年来文献资源利用情况、探寻用户群体借阅行为的变化趋势、挖掘用户阅读兴趣;同时有助于为图书馆馆藏布局调整、资源与服务的有效推广及文献资源精准化服务提供决策支持。

基于视频图像块模型的局部异常行为检测

为提高视频监控下局部异常行为检测的准确性和快速性,文中提出一种基于视频图像块模型的局部异常行为检测方法。该方法首先进行基于梯度直方图的视频图像块提取和基于时空相关性的视频图像块优化;然后,对视频图像块进行基于张量投票的正常行为模型学习和基于时空相似性的异常行为模型学习;最后,依据学习结果进行视频图像块的局部异常行为检测,确定异常区域并进行有效的标记。在通用UCSD数据集和Subway数据集上的实验结果表明,文中所提方法能有效提高局部异常行为检测的准确性和检测的效率。

一种干部在线作弊学习行为分析与预测策略

干部学习已通过互联网实现信息化与数字化,但部分干部采取作弊手段来完成学习要求。为提高干部学习质量与效益,针对利用插件等工具进行作弊学习的现象,根据防作弊规则,提出一种干部在线作弊学习的检测策略。通过分析学习数据发现作弊行为,并对作弊行为进行预测。应用结果表明,该策略能够有效提升在线学习质量,对学习效果做到准确评价,有利于促进干部在线教育的健康发展。

一种融合信息网络结构的数据增强行为预测算法

随着互联网上用户移动数据的日益繁荣,用户的移动行为预测也成为了预测研究的热点.近年来,循环神经网络(RNN)技术因其高效性和扩展性在移动预测中得到了广泛的应用.但是,目前大部分网上收集到的用户移动行为数据普遍具有稀疏和异质的特性,特别是当用户出于习惯或隐私考虑可能会拒绝向平台提交活动记录.因此在这些稀疏数据集上基于RNN的预测技术无法有效地学习到足够的用户行为特征,从而影响了模型的预测性能.为了解决该问题,本文提出了一种融合信息网络结构的数据增强行为预测算法.具体来说,首先我们将用户历史行为数据转为信息网络图;然后通过该信息网络的模块度来评估用户的信息传递效率;最后根据信息传递效率对用户的朋友数据进行采样,将具有高信息传递效率的朋友数据嵌入到用户数据中对用户数据进行增强.在真实数据集Yelp上的实验结果显示,我们的方法可以起到对现有算法模型增强的作用,所有模型的预测性能都得到了大幅提升.

高校课堂教学AI视频识别分析系统的开发与应用

针对高校课堂教学管理的现状和存在问题,构建一种基于课堂教学视频,AI分析、云平台等技术的课堂教学AI视频识别分析系统。系统主要由前端摄像机、视频监控中心、应用终端等部分组成,包括视频数据管理、模型管理、课堂管理、行为分析与预警、数据统计分析等模块,采用海康威视AI开放云平台进行课堂行为识别模型训练。实地部署和应用验证表明,系统具有实时监测、智能识别等特点,能督促和规范学生与教师在课堂上的“学”与“教”,满足教学管理部门对教学质量检查和督导的需要。

2020学年江苏大学图书馆用户行为记录数据集

本数据集采集了江苏大学图书馆门禁管理平台、流通借还系统和座位预约系统中2020年9月1日至2021年8月31日的用户进出馆数据、用户借阅数据和用户座位预约使用数据,将三个业务系统中的数据加工后通过时间和用户一卡通号进行关联,共有5个数据文件。加工后的数据文件较规范完整,可以通过数据挖掘来分析和预测用户在不同时空维度上的在馆行为特征和规律,以优化图书馆信息服务和管理工作,提升服务水准。

基于人体骨架和深度学习的学生课堂行为识别

学生课堂行为表现是课堂教学评价的重要组成部分,而进行学生课堂行为识别对课堂教学评价有重要意义。文章提出了基于人体骨架和深度学习的学生课堂行为识别方法,即通过提取学生行为图像的人体骨架关键信息,结合一个10层的深度卷积神经网络(CNN-10)来识别学生的课堂行为。为验证此方法的有效性,文章使用CNN-10和学生课堂行为识别方法,在学生课堂行为数据集上进行了对比实验。实验结果表明,学生课堂行为识别方法可有效排除学生体态、着装、教室背景等无关信息的干扰,突出关键有效信息,具有更高的识别准确率与泛化能力。使用基于人体骨架和深度学习的学生课堂行为识别方法识别学生典型的课堂行为,能及时、有效地反映学生的学习状态,并帮助教师精准掌握学生的课堂学情,从而助力智能化课堂教学。

基于深度学习的视频行为识别方法综述

近年来,自动学习特征的深度学习方法在视频行为识别领域中不断被挖掘探索。在总结了常用的行为识别数据集的基础上,对传统的行为识别方法以及深度学习的相关基础原理进行了概述,着重对基于不同输入内容与不同深度网络的行为识别方法进行了较为全面、系统性的总结、对比与分析。最后,对深度学习在行为识别领域的发展做了总结并展望了未来的发展趋势。

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。