孫月馳 李 冠

(山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院山東省智慧礦山信息技術(shù)重點(diǎn)實(shí)驗(yàn)室 山東 青島 266590)

0 引 言

基于機(jī)器視覺的智能視頻監(jiān)控系統(tǒng)能夠?qū)崟r(shí)檢測公共區(qū)域中行人、車輛等目標(biāo)的狀態(tài)變化，自動(dòng)檢測運(yùn)動(dòng)目標(biāo)的異常行為[1]。本文主要研究的人群異常行為分為人群異常行為(聚集、混亂、擁擠等)、非人體進(jìn)入(車輛駛?cè)?、騎車駛?cè)氲?等[2]。智能視頻監(jiān)控系統(tǒng)從視頻序列中提取大量運(yùn)動(dòng)目標(biāo)的特征信息，進(jìn)行異常行為的檢測，已成為預(yù)防公共突發(fā)事件的有效工具[3]。異常事件檢測[4]旨在自動(dòng)識(shí)別監(jiān)控視頻中的異常事件，檢測方法主要根據(jù)提取運(yùn)動(dòng)目標(biāo)的各種特征信息，將特征信息進(jìn)行聚類、分類等處理，進(jìn)而判斷運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)是否異常。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，針對視頻序列中異常事件檢測算法得到廣泛的應(yīng)用，根據(jù)提取運(yùn)動(dòng)目標(biāo)特征信息的方式，可以將人群中異常檢測方法歸納成四類：

第一類為基于行為關(guān)系的分析。該類方法運(yùn)用統(tǒng)計(jì)分析關(guān)系事件或行為，其中概率模型應(yīng)用于描述不同行為之間的關(guān)系。例如，H?m?l?inen等[5]搭建統(tǒng)計(jì)顯著關(guān)聯(lián)規(guī)則模型(SARM)搜索統(tǒng)計(jì)顯著的行為關(guān)聯(lián)規(guī)則，該算法在搜索統(tǒng)計(jì)非冗余關(guān)聯(lián)規(guī)則上表現(xiàn)突出；Kwon等[6]將異常事件檢測轉(zhuǎn)化為圖模型編輯問題，視頻由圖來表示，圖中每個(gè)節(jié)點(diǎn)代表在空間和時(shí)間上分割視頻而獲得的事件，節(jié)點(diǎn)之間的權(quán)重描述了事件之間的關(guān)聯(lián)關(guān)系；Yuan等[7]將統(tǒng)計(jì)假設(shè)檢驗(yàn)的想法引入到異常事件檢測框架，視頻活動(dòng)被視為一組事件模式的線性組合，異常事件被認(rèn)為是包含異常模式的事件，同時(shí)具有異常檢測器分?jǐn)?shù)，利用高斯混合來估算復(fù)雜的噪聲分布更利于對視頻事件建模，提高了異常檢測精度。該類方法檢測效果較好，然而，需要大量的訓(xùn)練樣本才能獲得穩(wěn)定可靠的關(guān)系模型。

第二類為基于運(yùn)動(dòng)軌跡的分析。該類方法通過提取研究對象的軌跡特征信息，檢測跟蹤對象的運(yùn)動(dòng)軌跡是否異常。例如，F(xiàn)ang等[8]通過搭建自適應(yīng)外觀模型，利用可靠的數(shù)據(jù)關(guān)聯(lián)策略和合理的軌跡約束運(yùn)動(dòng)模型來提升對目標(biāo)檢測和追蹤的效率；Yuan等[9]首次提出信息結(jié)構(gòu)背景描述符SCD(Structural Context Descriptor)來描述人群中的個(gè)體，通過計(jì)算SCD的變化，設(shè)計(jì)出多目標(biāo)追蹤單元，用以追蹤不同幀圖像中同一目標(biāo)的軌跡，通過線上時(shí)空分析SCD變化，來判斷人群異常情；Zhou等[10]嘗試構(gòu)建一種新的統(tǒng)計(jì)框架來檢測擁擠場景中異常軌跡的人群行為，首先，由特征跟蹤器KLT(Kanade Lucas-Tomasi)獲取行人的軌跡特征，形成代表性軌跡表示人群的潛在運(yùn)動(dòng)模式，最后由馬爾可夫模擬模型判斷人群中異常的行為。該類算法在雜亂和擁擠的場景中不能準(zhǔn)確地檢測和定位視頻事件，在處理霧天、雨天等背景模糊的場景時(shí)識(shí)別精度不理想。

第三類為基于底層特征的分析。該方法通過提取運(yùn)動(dòng)目標(biāo)的低級(jí)特征進(jìn)行分析運(yùn)動(dòng)狀態(tài)，根據(jù)研究對象的不同搭建各種各樣行為模式的模型。例如，Reddy等[11]針對檢測擁擠場景中異常目標(biāo)提出了一種具有相對較低復(fù)雜度的異常檢測算法，該方法基于每幀的前景掩碼分析相關(guān)單元是否存在異常，根據(jù)檢測目標(biāo)的運(yùn)動(dòng)狀態(tài)、大小和紋理分別建模；Li等[12]通過搭建表示復(fù)雜人群場景空間和時(shí)間的常態(tài)模型，將空間或時(shí)間常態(tài)與外觀或動(dòng)態(tài)融合在一個(gè)常態(tài)模型中，對異常事件進(jìn)行檢測。該類算法擁有一個(gè)共同特點(diǎn)需要人工輔助，設(shè)計(jì)有效的描述模型需要耗費(fèi)大量時(shí)間。

第四類為基于深度學(xué)習(xí)[13]的視覺特征分析。該類方法通過基于深度學(xué)習(xí)用來提取視頻中運(yùn)動(dòng)目標(biāo)的特征信息，根據(jù)視頻的特征信息進(jìn)行人群異常事件的識(shí)別。例如，Sabokrou等[14]提出一種基于立方體補(bǔ)丁的方法，首先，使用3D自動(dòng)編碼器進(jìn)行識(shí)別正常立方體，再使用更復(fù)雜、更深的3D卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行評估，將深度自動(dòng)編碼器和CNN分成多個(gè)子級(jí)用作級(jí)聯(lián)分類器，最終實(shí)現(xiàn)對異常事件檢測；Ravanbakhsh等[15]為解決異常檢測的問題引入生成對抗網(wǎng)絡(luò),組成生成對抗網(wǎng)絡(luò)的發(fā)生器(G)和鑒別器(D)分別進(jìn)行深度網(wǎng)絡(luò)學(xué)習(xí)，發(fā)生器(G)僅學(xué)習(xí)生成正常模式，鑒別器(D)學(xué)習(xí)區(qū)分正常和非正常模式；Kiran等[16]提出深度卷積架構(gòu)用于特征學(xué)習(xí)來進(jìn)行視頻中異常事件的檢測。此類模型由多種組件構(gòu)成，產(chǎn)生較多參數(shù)增加了算法的復(fù)雜性。

針對上述方法的不足，本文提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)人群異常行為識(shí)別方法，該方法通過嵌套mlpconv層改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用混合高斯模型有效、精確地提取視頻中前景目標(biāo)，嵌套多層的mlpconv層自動(dòng)學(xué)習(xí)前景目標(biāo)的深度層次特征，生成的特征圖經(jīng)過向量化處理輸入到與全連接層相連的Soft max分類器進(jìn)行人群中異常行為檢測。仿真實(shí)驗(yàn)結(jié)果表明，該算法減少對冗余信息的獲取，縮短了算法運(yùn)算時(shí)間和學(xué)習(xí)時(shí)間，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在泛化性能和非線性擬合能力都有提高，對人群異常行為檢測取得較高準(zhǔn)確率。

1 人群異常行為檢測流程與方法研究

本文提出基于卷積神經(jīng)網(wǎng)絡(luò)嵌套模型的人群異常行為檢測方法的主要流程，圖1為人群異常行為檢測算法流程圖。該算法分為四個(gè)步驟：檢測和提取運(yùn)動(dòng)目標(biāo)、獲取特征信息、構(gòu)建嵌套網(wǎng)絡(luò)模型、進(jìn)行異常行為檢測。

圖1 人群異常行為檢測算法流程圖

1.1 檢測和提取運(yùn)動(dòng)目標(biāo)

目前，視頻中運(yùn)動(dòng)目標(biāo)檢測的方法主要有：光流法、幀間差分法和背景差分法三種[17]。本文選取背景差分法中的混合高斯模型GMM[18](Gaussian Mixture model)，該模型與其他提取前景目標(biāo)的方法比較，不但能夠成功檢測到運(yùn)動(dòng)目標(biāo)，而且還能減少背景場景中微小重復(fù)運(yùn)動(dòng)的物體對前景目標(biāo)檢測的影響。視頻中運(yùn)動(dòng)目標(biāo)檢測的工作流程如圖2所示，首先高斯分布對每個(gè)像素建立背景模型，再進(jìn)行背景模型參數(shù)自動(dòng)更新，最后實(shí)現(xiàn)對視頻中運(yùn)動(dòng)目標(biāo)的成功檢測和提取。

圖2 混合高斯模型的工作流程圖

1.1.1 混合高斯背景建模

對于任意像素點(diǎn)，其歷史像素序列可以下式描述[19]：

{x1,x2,…,xt}={Ii(x,y),1≤i≤t}

(1)

式中:Ii(x,y)為第i個(gè)時(shí)刻的灰度值。

在t時(shí)刻，像素點(diǎn)(x,y)的概率函數(shù)計(jì)算公式為[20]：

(2)

(3)

1.1.2 混合高斯模型參數(shù)更新

按優(yōu)先級(jí)大小將幀像素值Ii(x,y)的高斯分布進(jìn)行排序，滿足式(4)，說明幀像素值Ii(x,y)與高斯分布匹配成功，幀像素值Ii(x,y)的高斯分布的參數(shù)依次按照式(4)至式(8)進(jìn)行更新；不滿足式(4)，幀像素值Ii(x,y)與高斯分布匹配不成功，高斯分布的參數(shù)不變，權(quán)重值按式(9)進(jìn)行更新。

|It(x,y)-μi,t-1|

(4)

Wi,t=(1-α)Wi,t-1+α

(5)

μ=(1-β)μi,t-1+βIi(x,y)

(6)

μi,t-1)T(It(x,y)-μi,t-1)

(7)

β=αη(It(x,y)|μ,δi,t)

(8)

Wi,t=(1-α)Wi,t-1+α

(9)

式中:α、β分別表示混合高斯模型的學(xué)習(xí)率、更新率。

1.1.3 混合高斯模型對運(yùn)動(dòng)目標(biāo)的提取

(10)

式中，T為設(shè)置的閾值。

獲取了前B個(gè)高斯分布作為背景模型，將當(dāng)前像素值Ii(x,y)與生成背景進(jìn)行匹配，如果當(dāng)前像素值Ii(x,y)與生成背景匹配不成功，當(dāng)前像素Ii(x,y)點(diǎn)為運(yùn)動(dòng)目標(biāo)；否則，當(dāng)前像素Ii(x,y)點(diǎn)為背景點(diǎn)。經(jīng)過上述過程之后，混合高斯模型實(shí)現(xiàn)對視頻中運(yùn)動(dòng)目標(biāo)的檢測及提取。與其他方法提取前景目標(biāo)的結(jié)果對比圖如圖3所示。圖3(a)是原始視頻序列，圖3(b)是其他方法提取的前景目標(biāo)，圖3(c)是混合高斯模型提取的前景目標(biāo)。

(a) (b) (c)圖3 與其他方法提取前景目標(biāo)的結(jié)果對比

1.2 獲取運(yùn)動(dòng)目標(biāo)的特征信息

1.2.1mlpconv層

mlpconv層由一個(gè)線性卷積層和一個(gè)多層感知機(jī)MLP(Multy-Layer Perception)構(gòu)成，局部感受視野中的輸入映射對應(yīng)的特征向量。mlpconv層使用由多個(gè)帶非線性激活函數(shù)的全連接層構(gòu)成的MLP來提取運(yùn)動(dòng)目標(biāo)的特征信息，將提取的特征信息轉(zhuǎn)化為特征圖，再將特征圖作為下一層的輸入[22]。

mlpconv層計(jì)算過程如下所示：

(11)

(12)

(13)

式中:(i,j)是特征圖中像素的位置，xi,j是以像素點(diǎn)(i,j)為中心的輸入塊，k1、k2和kn等是特征圖中的各通道序號(hào)，n則是MLP的層數(shù)。

2.2.2BatchNormaliztion技術(shù)

在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中，隨著各層參數(shù)的變化，特別是算法的學(xué)習(xí)率和權(quán)值初始化會(huì)需要很長時(shí)間尋找合適值，降低了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。在使用飽和非線性激活函數(shù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時(shí)，輸入數(shù)據(jù)會(huì)誤入激活函數(shù)的飽和區(qū)域，使神經(jīng)網(wǎng)絡(luò)的收斂性速度降低。

Ioffe等[23]通過BN(Batch Normaliztion)技術(shù)規(guī)范化每一層的輸入來解決上述問題。BN技術(shù)使得輸入數(shù)據(jù)具有零均值和單位方差：

(14)

規(guī)范化處理后，參數(shù)需要相應(yīng)的縮放和平移：

(15)

1.3 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)嵌套模型

卷積神經(jīng)網(wǎng)絡(luò)嵌套模型的核心思想為：嵌套網(wǎng)絡(luò)模型可以出色地自動(dòng)學(xué)習(xí)到深度層次特征，該模型獲取的深層次特征主要是局部特征，在獲取運(yùn)動(dòng)目標(biāo)特征信息時(shí)局部特征在背景中分離目標(biāo)發(fā)揮重要作用，此外，嵌套網(wǎng)絡(luò)模型在應(yīng)對背景目標(biāo)劇烈變化時(shí)也具有一定的魯棒性。

網(wǎng)絡(luò)嵌套模型訓(xùn)練時(shí)，首先，對含有單個(gè)mlpconv層的卷積神經(jīng)網(wǎng)絡(luò)模型的權(quán)值初始化，再進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，整個(gè)訓(xùn)練過程結(jié)束，得到單個(gè)mlpconv層權(quán)值的更新；然后，接入第二個(gè)mlpconv層，第二個(gè)mlpconv層的輸入是第一個(gè)mlpconv層的輸出，進(jìn)行第二個(gè)mlpconv層的權(quán)值初始化，再進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，整個(gè)訓(xùn)練過程結(jié)束，得到第二個(gè)mlpconv層權(quán)值的更新。當(dāng)有新的mlpconv層加入，按照上述過程進(jìn)行權(quán)值初始化、卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及權(quán)值更新。

此外，在進(jìn)行卷積計(jì)算之后使用BN技術(shù)，也使得非線性單元能夠產(chǎn)生比較穩(wěn)定的分布，達(dá)到去飽和的效果。在嵌套mlpconv層加入BN操作，模型中特征圖的計(jì)算方式如下：

(16)

(17)

(18)

式中:BN(g)表示BN層，(i,j)是特征圖中像素的位置，xi,j是以像素點(diǎn)(i,j)為中心的輸入塊，k1、k2和kn等是特征圖中的各通道序號(hào)，n則是MLP的層數(shù)。圖4為基于卷積神經(jīng)網(wǎng)絡(luò)嵌套模型。

圖4 基于卷積神經(jīng)網(wǎng)絡(luò)的嵌套模型

2 實(shí)驗(yàn)與結(jié)果分析

在3.0 GHzCPU、64位Windows7操作系統(tǒng)，采用MATLAB 2016a、Open CV作為開發(fā)工具進(jìn)行仿真實(shí)驗(yàn)。為了驗(yàn)證提出算法的有效性，本文選取常用于人群行為識(shí)別研究的基準(zhǔn)數(shù)據(jù)集，即UCSD[24]((University of California,San Diego)數(shù)據(jù)集和UMN[25](University of Minnesota)數(shù)據(jù)集。這兩個(gè)數(shù)據(jù)集涵蓋了室內(nèi)和室外、局部異常和全部異常等情況。仿真實(shí)驗(yàn)中，定量評價(jià)采用AUC評價(jià)指標(biāo)、等錯(cuò)誤率(EER)以及運(yùn)行時(shí)間(Time)等指標(biāo)。

輸入數(shù)據(jù)是將每一幀都裁剪為80×60的灰度圖像，卷積神經(jīng)網(wǎng)絡(luò)模型的三個(gè)卷積層采用的卷積核分別是9×7、7×7、6×4的尺度，兩個(gè)下采樣層采用的卷積核均為3×3尺度。輸入的80×60×9的視頻塊最終被轉(zhuǎn)化為128維的特征向量。

2.1 在UCSD數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果

USCD[24]數(shù)據(jù)集由加州大學(xué)圣地亞哥分校創(chuàng)建，數(shù)據(jù)集是通過安裝在一定高度、俯視人行道的攝像機(jī)，采集自然狀態(tài)下發(fā)生的異常行為，主要針對人群中個(gè)體行為的識(shí)別研究。數(shù)據(jù)集由98個(gè)視頻組成，被分成ped1和ped2兩個(gè)數(shù)據(jù)子集，每個(gè)場景錄制的視頻錄像被分成約200幀的片段，像素分辨率分別為158 pixel×238 pixel和240 pixel×360 pixel。圖5為UCSD數(shù)據(jù)集中的非人類實(shí)體入侵和異常人類行為場景的示例。

圖5 UCSD數(shù)據(jù)集中非人類實(shí)體入侵和異常人類行為示例

在UCSD ped1和UCSD ped2數(shù)據(jù)集驗(yàn)證該算法的有效性，本文選取在上述數(shù)據(jù)庫取得較好識(shí)別率的算法進(jìn)行對比，例如：TCP模型[26]、AMDN(double fusion)模型[27]、運(yùn)動(dòng)能量(Motion Energy)模型[28]、時(shí)空卷積神經(jīng)網(wǎng)絡(luò)(ST-CNN)模型[29]及Commotion模型[30]等。

由表1可知，在UCSD ped1數(shù)據(jù)集上，采用幀級(jí)度量時(shí)，本文算法的EER較低，顯著提高了AUC評價(jià)指標(biāo)；采用像素級(jí)度量時(shí)，在EER指標(biāo)、AUC評價(jià)指標(biāo)上提高不是很明顯，但是兩個(gè)指標(biāo)均高于其他算法的指標(biāo)。在UCSD ped2數(shù)據(jù)集上，采用幀級(jí)度量測試，本文算法在EER指標(biāo)、AUC評價(jià)指標(biāo)方面占優(yōu)勢，AUC評價(jià)指標(biāo)提高0.11。

表1 AUC和EER在于Ped1(UCSD數(shù)據(jù)集)上的 幀和像素級(jí)比較

2.2 在UMN數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果

另外，在UMN數(shù)據(jù)集也進(jìn)行了實(shí)驗(yàn)驗(yàn)證，該數(shù)據(jù)集前一半視頻作為訓(xùn)練集，后一半作為測試集，在該數(shù)據(jù)集上采用幀級(jí)度量下的EER和AUC評價(jià)指標(biāo)對算法的性能進(jìn)行評估。驗(yàn)證結(jié)果如表2所示。在UMN數(shù)據(jù)集上采用幀級(jí)度量下的EER和AUC評價(jià)指標(biāo)對算法的性能測試結(jié)果，可以得出，本文算法在AUC評價(jià)指標(biāo)與已有算法的性能上相當(dāng)，在EER指標(biāo)上優(yōu)于其他算法，該算法在耗時(shí)方面得到了提高。

表2 AUC和EER用于UMN數(shù)據(jù)集上的幀和像素級(jí)比較

2.3 時(shí)間復(fù)雜度分析對比

算法的時(shí)間復(fù)雜度是一個(gè)函數(shù)，它定量描述了該算法的運(yùn)行時(shí)間。

2.3.1 單個(gè)卷積層的時(shí)間復(fù)雜度

時(shí)間復(fù)雜度是指執(zhí)行算法所需要的計(jì)算工作量，單層卷積層時(shí)間復(fù)雜度計(jì)算如下：

Time～O(M2·K2·Cin·Cout)

(19)

式中：M表示每個(gè)卷積核輸出特征圖(Feature Map)的邊長；K表示每個(gè)卷積核(Kernel)的邊長；Cin表示每個(gè)卷積核的通道數(shù)，即輸入通道數(shù)(上一層的輸出道數(shù))；Cout表示卷積層具有的卷積核個(gè)數(shù)，即輸出通道數(shù)。

由式(19)可以得知，卷積層的時(shí)間復(fù)雜度由輸出特征圖面積M2、卷積核面積K2、輸入Cin和輸出通道數(shù)Cout決定；輸出特征圖的尺寸又由輸入矩陣尺寸X、卷積核尺寸K、Padding、Stride決定，輸出特征圖的邊長M表達(dá)式為：

(20)

2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的整體的時(shí)間復(fù)雜度

單層卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜度由式(19)計(jì)算，卷積神經(jīng)網(wǎng)絡(luò)(包含多層結(jié)構(gòu))整體時(shí)間復(fù)雜度為每層時(shí)間復(fù)雜度的和，計(jì)算公式如下：

(21)

式中：D表示神經(jīng)網(wǎng)絡(luò)所具有的卷積層數(shù)，即網(wǎng)絡(luò)深度；l表示神經(jīng)網(wǎng)絡(luò)第l個(gè)卷積層；Cl表示神經(jīng)網(wǎng)絡(luò)第l個(gè)卷積層的輸出通道數(shù)Cout，即該層的卷積核個(gè)數(shù)；第l個(gè)卷積層的輸入通道數(shù)Cin是第(l-1)個(gè)卷積層輸出通道數(shù)。

在時(shí)間復(fù)雜度方面，本文選取TCP模型、AMDN(double fusion)模型、運(yùn)動(dòng)能量(Motion Energy)模型、時(shí)空卷積神經(jīng)網(wǎng)絡(luò)(ST-CNN)模型及Commotion模型與本文算法進(jìn)行對比。由式(13)可以計(jì)算出各算法的時(shí)間復(fù)雜度，因?yàn)楦魉惴ǖ木唧w參數(shù)數(shù)據(jù)不明確，本文只計(jì)算算法時(shí)間復(fù)雜度屬于哪個(gè)階，常見的時(shí)間復(fù)雜度關(guān)系為：O(1)

如表3所示，本文算法與其他算法時(shí)間復(fù)雜度大部分在O(n2)階上，分析其他算法神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型在輸出特征圖面積M2、卷積核面積K2、輸入Cin和輸出通道數(shù)Cout均比本文算法的復(fù)雜，可以得出結(jié)論本文算法在時(shí)間復(fù)雜度上優(yōu)于其他算法。

表3 本文算法與其他算法時(shí)間復(fù)雜度

3 結(jié) 語

本文提出基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對人群異常行為檢測方法，通過嵌套mlpconv層改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用混合高斯模型有效、精確地提取出視頻序列中前景目標(biāo)，混合高斯模型在復(fù)雜場景背景中表現(xiàn)出魯棒性，不但能夠成功檢測到運(yùn)動(dòng)目標(biāo)，而且減少了背景場景中微小重復(fù)運(yùn)動(dòng)的物體對前景目標(biāo)檢查的影響。嵌套多層的mlpconv層自動(dòng)學(xué)習(xí)已經(jīng)提取到的前景運(yùn)動(dòng)目標(biāo)的深度層次特征，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)減少對冗余信息的獲取。在UCSD和UMN數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果表明，在算法運(yùn)算時(shí)間和學(xué)習(xí)時(shí)間上得到優(yōu)化，對人群中異常行為檢測更迅速、準(zhǔn)確，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在泛化性能和非線性擬合能力上的表現(xiàn)也很優(yōu)秀。