-
题名改进的生成对抗网络人体异常行为检测方法
被引量：1
- 1
-
-
作者
张红民
郑敬添
颜鼎鼎
田钱前
-
机构
重庆理工大学电气与电子工程学院
重庆理工大学两江国际学院
-
出处
《计算机工程与应用》
北大核心
2025年第5期147-154,共8页
-
基金
国家自然科学基金(61901068)
重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0525,CSTB2022NSCQ-MSX0786,CSTB2023NSCQ-MSX0911)
重庆市教委科学技术研究项目(KJQN202201109)。
-
文摘
基于生成对抗网络的重构模型在重构视频帧时可能对应较小的重构误差,此外预测和重构模型中的对抗性训练往往是不稳定的,影响模型的检测性能。针对上述问题,基于生成对抗网络提出一种同时使用预测器和判别器的双向预测网络检测视频中的人体异常行为。该网络的训练过程分为两个阶段:第一个阶段通过预测器提取输入视频帧的时间和空间信息,并引入注意力机制关注实际发生运动的区域,对正常视频帧序列的中间帧进行预测,同时保留训练过程中预测器的状态;第二阶段将判别器的角色从区分生成数据和真实数据改为区分预测帧质量的高低,判别器学会检测在生成异常输入的预测帧时经常出现的细微失真,提高了训练过程的稳定性和检测结果的准确性。该模型在用于视频人体异常行为检测的UCSD Ped2、Avenue和ShanghaiTech三个数据集上,帧级别AUC分别达到了98.7%、91.8%、84.6%。
-
关键词
生成对抗网络
人体异常行为
预测器
判别器
-
Keywords
generative adversarial networks
human abnormal behavior
predictor
discriminator
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名优化YOLO网络的人体异常行为检测方法
被引量：13
- 2
-
-
作者
张红民
庄旭
郑敬添
房晓冰
-
机构
重庆理工大学电气与电子工程学院
重庆理工大学两江国际学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第7期242-249,共8页
-
基金
重庆市自然科学基金面上项目(cstc2021 jcyj-msxmX0525)。
-
文摘
鉴于公共场合监测视频信息中周围环境背景信息干扰大以及人体异常行为目标的尺度不同,目前人体异常行为检测的准确性难以进一步提高。针对上述问题,设计了通过改进YOLOv5网络的异常行为检测方法。该方法在原YOLOv5主干网络添加屏蔽卷积注意力模型,该模块从一个屏蔽卷积层开始,感受野的中心区域被遮掩,通过预测屏蔽信息并利用与屏蔽信息相关的误差作为异常得分。在检测网络中嵌入Swin-CA模块。通过对相邻层特征的学习,使得模型能够更好地掌握全局信息,从而减小了背景信息对检测结果的影响,通过提取不同背景中人体异常行为尺度特征,降低了整个模型计算的复杂度,提高了模型对人体异常行为目标定位的精度。在UCSD-ped1、KTH和Shanghai Tech数据集上的实验结果表明,提出方法的检测精度分别达到了98.2%、96.4%和95.8%。
-
关键词
人体异常行为
YOLOv5
屏蔽卷积
注意力机制
Swin-CA模块
-
Keywords
abnormal human behavior
YOLOv5
mask convolution
attentional mechanism
Swin-CA module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于姿态估计的人体异常行为识别算法
被引量：7
- 3
-
-
作者
李建更
谢海征
-
机构
北京工业大学信息学部
-
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2022年第7期710-720,共11页
-
基金
国家自然科学基金资助项目(61873008)
北京市自然科学基金资助项目(4182008)。
-
文摘
为了及时、准确地检测视频监控下人体异常行为的发生,提出一种基于姿态估计的人体异常行为识别算法.该算法首先利用基于深度学习的人体姿态估计算法提取人体的骨骼关键点坐标,组成包含空间信息和时间序列信息的时空图模型,模型中每个节点对应于人体的一个关节,同时包含2种类型的边,一种是符合人体关节自然连通性的空间边,另一种是跨越连续时间的时序边;然后,对时空图进行多阶段的时空图卷积操作,提取高级特征;最后,用Softmax分类器进行行为分类,得到行为结果并判断是否为异常行为.在KTH单人数据集和HMDB51多人交互数据集上进行对比实验,与当前先进的方法相比,在准确率方面取得了较好的结果.对实时视频进行测试,实时检测识别帧率达到25帧/s,可实现实时处理监控视频.
-
关键词
人体异常行为
人体姿态估计
深度学习
时空图模型
时空图卷积网络
实时检测识别
-
Keywords
human abnormal behavior
human pose estimation
deep learning
spatial temporal graph model
spatial temporal graph convolutional networks
real-time detection and recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名注意力与特征融合的未来帧预测异常行为检测算法
- 4
-
-
作者
张瑜玮
王燕妮
-
机构
西安建筑科技大学信息与控制工程学院
-
出处
《探测与控制学报》
CSCD
北大核心
2023年第4期150-156,共7页
-
文摘
针对异常行为检测模型中检测准确度较低,目标异常类型判断不准确等问题,提出注意力与特征融合的未来帧预测异常行为检测算法。该算法采用无监督生成对抗网络模型,通过计算真实帧和预测帧之间的误差来判断当前帧是否为异常帧。在生成网络中,以U-Net网络结构为基础,首先引入SoftPool层,减少池化过程中的信息损失;其次引入即插即用的轻量级注意力机制,增强背景信息和目标信息差,有效提升网络性能的同时不增加网络的复杂性;然后,在U-Net编码器低层构造了一种新的特征融合模块来增强图像全局信息的依赖性;最后,为了融合上下文信息,提取更丰富的特征作为输出图像,构造一种新的特征提取模块添加到网络特征图的输出部分。判别网络以马尔可夫判别器为基础,使网络更加关注图像的细节特征。实验中,采用CUHK Avenue数据集和UCSD Ped2数据集对该算法进行验证。实验结果表明,改进后的网络在CUHK Avenue数据集上检测精度达到了85.4%,在UCSD Ped2数据集上检测精度达到了92.4%,证明了该算法的有效性。
-
关键词
生成对抗网络
人体异常行为检测
未来帧预测
特征融合
轻量级注意力机制
-
Keywords
generative adversarial network
abnormal human behaviour detection
future frame prediction
feature fusion
lightweight attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
