avatar avatar 我的文献 基于深度学习与稀疏光流的人群异常行为识别 单位 西华大学电气与电子信息学院 期刊 计算机工程 时间 关键词 异常行为诱因; YOLO_v3; 持械异常; 面部遮挡异常; 稀疏光流; PSO-ELM 基金 教育部“春晖计划”资助项目(Z2012029); 四川省信号与信息处理重点实验室开放基金资助项目(szjj2012-015); 西华大学研究生创新基金资助项目(ycjj2018025)
摘要
针对目前公共场所人群异常行为检测的异常种类定义较少,检测准确率不高,大多检测奔跑异常以及对某些异常无法识别等问题,提出一种基于YOLO_v3与稀疏光流的人群异常行为识别算法,通过检测小团体异常,即引发群体异常的诱因,来为群体异常预警与采取相应的应急措施提供充足的时间。首先,为方便定位异常发生区域,将视频分割为多个子区域,获取子区域的图像样本;接着进行诱发群体异常的小团体异常检测,针对传统算法较难检测行人持棍、持枪、持刀与面部遮挡等异常,通过改进YOLO_v3神经网络对这些异常进行检测。最后,由于从众心理等原因,在未检测到上述异常诱因时,人群也会发生突散异常,对此使用稀疏光流法获取人群平均动能与运动方向熵,将得到的特征数据送入PSO-ELM进行分类,区分正常行为与同向突散或无规则突散。实验结果表明,与现有算法相比,本文算法能有效检测行人持械异常与面部遮挡异常等小团体异常,并且能定位异常发生区域,为预警与采取应急措施提供了更多时间,其准确率也达到了98.227%。
下载 浏览 cnki {{liketext}}
©2020 - iData {{ message }} 关闭