10.19678/j.issn.1000-3428.0054605
基于深度学习与稀疏光流的人群异常行为识别
目前公共场所人群异常行为检测的异常种类检测准确率较低,且多数对突然奔跑等部分异常行为无法识别.为此,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为群体异常预警与采取相应的应急措施提供充足的时间.为方便定位异常发生区域,将视频分割为多个子区域,通过获取子区域的图像样本进行诱发群体异常的小团体异常检测,利用改进YOLO_v3神经网络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进行检测,在未检测到上述异常诱因时,使用稀疏光流法获取人群平均动能与运动方向熵,将得到的特征数据通过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,与现有同类算法相比,该算法能有效检测行人持械与面部遮挡等小团体异常,并且定位异常发生区域的准确率达到98.227%.
异常行为诱因、YOLO_v3网络、持械异常、面部遮挡异常、稀疏光流
46
TP391(计算技术、计算机技术)
教育部“春晖计划”项目;四川省信号与信息处理重点实验室开放基金;西华大学研究生创新基金
2020-05-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
287-293,300