摘 要 人體行為的異常檢測一直是計算機領(lǐng)域的熱點問題，近些年，相關(guān)研究基于人體姿態(tài)及異常已經(jīng)解決了很多實際問題，但是由于人體行為異常檢測是依賴人體姿態(tài)研究所展開的，而傳統(tǒng)方法產(chǎn)生的姿態(tài)數(shù)據(jù)可靠性相對較低，為了進一步提高行為異常檢測的準確性，文中將引入深度學(xué)習(xí)算法，并做了無監(jiān)督學(xué)習(xí)進行行為異常檢測的相關(guān)研究。

關(guān)鍵詞 無監(jiān)督學(xué)習(xí);行為異常檢測;相關(guān)研究

本文主要通過深度學(xué)習(xí)技術(shù)，獲得人體姿態(tài)中各關(guān)節(jié)點信息，采取一定的方式存取數(shù)據(jù)后，通過無監(jiān)督學(xué)習(xí)對數(shù)據(jù)進行特征提取及聚類分析，從而達到人體行為異常檢測的目的。

行為的異常檢測主要分為三個部分，即包括通過深度學(xué)習(xí)技術(shù)獲取置信度較高的人體關(guān)節(jié)點數(shù)據(jù)，將數(shù)據(jù)進行處理并通過EM算法提取人體特征，對特征做整理并進行無監(jiān)督的聚類算法。在異常行為的檢測中，產(chǎn)生的姿態(tài)數(shù)據(jù)及人為定義的特征均無標簽，因此無監(jiān)督學(xué)習(xí)可以從數(shù)據(jù)本身出發(fā)，發(fā)掘深藏在數(shù)據(jù)中的規(guī)律，通過設(shè)定一定閾值分析行為特征，達到良好的聚類效果。

1AlphaPose人體姿態(tài)估計算法

AlphaPose是一種置信度較高的人體姿態(tài)估計算法，它的目標就是通過分析圖片或視頻，獲取出現(xiàn)在其中人物的姿態(tài)信息即關(guān)節(jié)點坐標，直觀展示如圖1所示。

圖1? 人體姿態(tài)估計樣圖

通過網(wǎng)絡(luò)模型預(yù)測，生成json格式文件，其中包含身體既定關(guān)節(jié)點x與y軸的坐標信息、幀數(shù)、置信度、id等字段。

2利用EM算法迭代求得特征

由于網(wǎng)絡(luò)模型的輸出包含多個信息，但相對雜亂，因此根據(jù)數(shù)據(jù)本身的特點，建立了符合一定要求的隊列結(jié)構(gòu)，隊列有著先進先出的特點，恰好符合我們對視頻流的要求。同時根據(jù)數(shù)據(jù)建立面向?qū)ο蟮母拍?，實例化多個對象對應(yīng)不同姿態(tài)，從而方便后續(xù)的研究。

由于視頻是由多幀組成，同一個人可能在每一幀中都出現(xiàn)，也有可能會有新的人物進入視頻，所以獲得的數(shù)據(jù)文件是較為混亂的且包含多種多樣的信息。

根據(jù)這個問題，本文對數(shù)據(jù)的表達形式做了新的處理。基于研究對象為人體的姿態(tài)，因此建立了姿態(tài)類包含多種屬性。同時，定義了人體的特征，通過人體特征的定義，即可在一定程度上代表該人物的肢體動作幅度。

EM算法是一種迭代優(yōu)化策略，它由E步（期望步）M步（極大步）所構(gòu)成。對已定義的特征求得每幀的均值和方差，通過EM算法找到一個合適的高斯分布，也就是確定高斯分布的參數(shù)。將特征值組合求得相應(yīng)的分布參數(shù)后，研究對象動作在每幀的分布參數(shù)即可作為新的特征。

3無監(jiān)督學(xué)習(xí)的聚類算法進行異常檢測

通過上述方法，已經(jīng)可以找到合適的方法獲取人體姿態(tài)的相關(guān)信息和較為科學(xué)的特征表示方法，在上文中定義了人體的七個動作特征，選取特征通過不斷的迭代，得到我們用于聚類的新特征。

通過聚類會選取初始質(zhì)心，設(shè)定一定的閾值，不斷重復(fù)，直到質(zhì)心位置變化小于指定的閾值，達到最大迭代次數(shù)。同時選取一定時間段，定義少數(shù)人的動作為行為異常，以到達識別異常行為的目的。

4結(jié)果展示

目前，通過已有視頻的分析處理以及上文介紹的方法，已經(jīng)可以對一些視頻中的行為異常人群做出檢測，通過在原視頻中畫框以標注出來。檢測結(jié)果如圖2所示。

圖2? 行為異常檢測展示圖

5結(jié)束語

雖然目前已對一些視頻中的異常行為做出了檢測，但仍有很多不足，真正應(yīng)用還有一些難題。主要集中于以下幾點：

（1）場景復(fù)雜帶來的遮擋問題。

（2）人與人之間的遮擋問題。

考慮到復(fù)雜視頻的多變性，還需要有針對性地對一些細節(jié)進行改進，通過大量理論研究及大量實驗，對現(xiàn)有研究方法及模型進行微調(diào)，從而以到達預(yù)期的、具有真正實用價值的異常行為檢測模型。

參考文獻

[1] 郁映卓.基于人體運動特征的異常行為檢測和姿態(tài)識別[D].西安：西安電子科技大學(xué)，2011.

[2] 邱藤.基于高斯混合模型的EM算法及其應(yīng)用研究[D].北京：科技大學(xué)，2015.

作者簡介

李樂（1994-），男，甘肅蘭州人;學(xué)歷：碩士，現(xiàn)就職單位：沈陽理工大學(xué)，研究方向：大數(shù)據(jù)處理與分析技術(shù)。