[發(fā)明專利]一種社區(qū)監(jiān)控場景下人群聚集異常行為檢測方法

在審

• 申請?zhí)枺?/td>: 202011029802.7
• 申請日: 2020-09-27
• 公開（公告）號(hào): CN112307895A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 徐亮;張衛(wèi)山;孫浩云;尹廣楹;張大千;管洪清
• 申請（專利權(quán)）人: 青島邃智信息科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08;G06F9/50
• 代理公司: 北京聯(lián)瑞聯(lián)豐知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11411
• 代理人: 郭堃

本發(fā)明涉及光流檢測、深度學(xué)習(xí)技術(shù)領(lǐng)域，具體公開了一種社區(qū)監(jiān)控場景下人群聚集異常行為檢測方法，包括以下步驟：獲取社區(qū)監(jiān)控場景下人群視頻流；下載激光KITTI數(shù)據(jù)集對設(shè)計(jì)的目標(biāo)光流運(yùn)動(dòng)檢測網(wǎng)絡(luò)模型FMD?CNN進(jìn)行訓(xùn)練，直至得到最優(yōu)參數(shù)；對視頻流進(jìn)行解碼操作，得到相鄰幀的兩張圖像，輸入訓(xùn)練好的FMD?CNN網(wǎng)絡(luò)模型中，得到圖像的光流表示；分析步驟3中得到的光流圖像得到目標(biāo)運(yùn)動(dòng)信息，進(jìn)一步獲取人群聚集行為；采用GPU調(diào)度策略進(jìn)行GPU調(diào)度。本發(fā)明實(shí)現(xiàn)了直接對運(yùn)動(dòng)目標(biāo)進(jìn)行分析，去除了其他算法分析圖像的復(fù)雜步驟，在實(shí)現(xiàn)檢測人群聚集異常行為的基礎(chǔ)上使用GPU調(diào)度策略提高了模型的檢測效率，滿足分析人群聚集行為的要求。

技術(shù)領(lǐng)域

本發(fā)明涉及光流檢測、深度學(xué)習(xí)技術(shù)領(lǐng)域，特別涉及一種社區(qū)監(jiān)控場景下人群聚集異常行為檢測方法。

背景技術(shù)

隨著科學(xué)技術(shù)與網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)理論快速崛起，在圖像識(shí)別和檢測方面表現(xiàn)優(yōu)越，被應(yīng)用于各種領(lǐng)域，比如農(nóng)業(yè)、商業(yè)、軍事。人們的日常生活也受其影響，正在朝著數(shù)字化、網(wǎng)絡(luò)化、智能化方向轉(zhuǎn)變。因此智慧社區(qū)、智慧城市已不再是概念話題。越來越多的研究學(xué)者開始關(guān)注深度學(xué)習(xí)領(lǐng)域，深度學(xué)習(xí)是目前機(jī)器學(xué)習(xí)發(fā)展階段的最高級(jí)別，而卷積神經(jīng)網(wǎng)絡(luò)則是深度學(xué)習(xí)的典型代表，在圖像處理、圖像識(shí)別等方面都有著顯著的成效。對于特征提取，卷積神經(jīng)網(wǎng)絡(luò)具有自動(dòng)學(xué)習(xí)的優(yōu)勢，代替了繁雜的傳統(tǒng)人工提取方法，減少了人工干預(yù)，提高了特征提取的精確度。卷積神經(jīng)不僅在特征提取方面有顯著成效，在圖像識(shí)別、行為檢測等其他方面也起著不可替代的作用。

異常行為識(shí)別是行為識(shí)別中一個(gè)分支，相對于行為識(shí)別總體而言，異常行為的研究具有更大的應(yīng)用價(jià)值和現(xiàn)實(shí)意義，異常行為的檢測識(shí)別能有效保障人們的切身安全利益。深度學(xué)習(xí)理論在靜態(tài)圖像識(shí)別和檢測的貢獻(xiàn)為具有時(shí)間序列的視頻行為識(shí)別研究提供了新的思路，使得基于深度學(xué)習(xí)得行為識(shí)別成為當(dāng)前研究得熱點(diǎn)之一。近年來，深度學(xué)習(xí)目前已廣泛應(yīng)用于行為識(shí)別，但很少有將深度學(xué)習(xí)專門應(yīng)用于特定場景異常行為識(shí)別得，而現(xiàn)有得大型標(biāo)準(zhǔn)數(shù)據(jù)集通常都是生活喜聞樂見得視頻行為數(shù)據(jù)，也使得基于深度學(xué)習(xí)得異常行為識(shí)別研究難以推廣。在人體行為識(shí)別中，人體行為具有不定性，使得對異常行為得檢測識(shí)別變得具有挑戰(zhàn)性，因此如何有效提取可判別得行為特征是一個(gè)需要突破研究難點(diǎn)。

異常行為的定義具有不確定性，應(yīng)該根據(jù)使用場景具體分析，但一般而言，異常行為具有低頻性、可疑性以及非典型性。為了最小化這種不確定性因素的影響，需要具體問題具體分析，確定場景，而后確定異常行為類別。社區(qū)是人們聚集的場所，將人群聚集異常行為檢測識(shí)別應(yīng)用在社區(qū)場景，具有很大得研究意義與應(yīng)用價(jià)值。一方面可以給社區(qū)居民提供安全保障，防止異常事件發(fā)生，一方面促進(jìn)了智慧社區(qū)的進(jìn)一步發(fā)展。

發(fā)明內(nèi)容

為了解決社區(qū)環(huán)境人群聚集異常行為檢測的問題，本發(fā)明的目的是提供一種社區(qū)監(jiān)控場景下人群聚集異常行為檢測方法。將卷積神經(jīng)網(wǎng)絡(luò)與目標(biāo)光流運(yùn)動(dòng)結(jié)合，輸入相鄰兩幀圖像，預(yù)測圖像的光流圖像，解析獲得光流運(yùn)動(dòng)信息，從而得到圖像運(yùn)動(dòng)像素的速率和方向。該方法在實(shí)現(xiàn)檢測人群聚集異常行為的基礎(chǔ)上使用GPU調(diào)度策略提高了模型的檢測效率。

為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是：

一種社區(qū)監(jiān)控場景下人群聚集異常行為檢測方法，包括以下步驟：

步驟1：獲取社區(qū)監(jiān)控場景下人群視頻流；

步驟2：下載激光KITTI數(shù)據(jù)集對設(shè)計(jì)的目標(biāo)光流運(yùn)動(dòng)檢測網(wǎng)絡(luò)模型FMD-CNN進(jìn)行訓(xùn)練，直至得到最優(yōu)參數(shù)；

步驟3：對視頻流進(jìn)行解碼操作，得到相鄰幀的兩張圖像，輸入訓(xùn)練好的FMD-CNN網(wǎng)絡(luò)模型中，得到圖像的光流表示；

步驟4：分析步驟3中得到的光流圖像得到目標(biāo)運(yùn)動(dòng)信息，進(jìn)一步獲取人群聚集行為；

步驟5：采用GPU調(diào)度策略進(jìn)行GPU調(diào)度。