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)。