亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種優(yōu)化FCN的視頻異常行為檢測(cè)定位方法

        2021-03-12 06:12:46陳紀(jì)銘陳利平
        關(guān)鍵詞:特征向量編碼器卷積

        陳紀(jì)銘,陳利平

        (湖南工學(xué)院 計(jì)算機(jī)與信息科學(xué)學(xué)院 湖南 衡陽(yáng) 421002)

        0 引 言

        隨著監(jiān)控設(shè)備的日益普及,有必要通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)對(duì)視頻數(shù)據(jù)進(jìn)行分析。其中,異常檢測(cè)[1]是視頻數(shù)據(jù)分析的重要分支。很多視頻異常事件由稀少形狀或罕見動(dòng)作組成,但由于“異?!钡亩x具有一定的主觀性,且取決于情景,因此,該研究的挑戰(zhàn)性較大。

        目前很多方法將正常幀的區(qū)域或分塊作為參考模型進(jìn)行學(xué)習(xí),這些參考模型包括訓(xùn)練數(shù)據(jù)的正常運(yùn)動(dòng)或形狀。在測(cè)試階段,將不同于正常模型的區(qū)域視為異常。其中,目標(biāo)行為常用基于軌跡的方法定義[2],但基于軌跡的方法存在2個(gè)主要缺陷[3]:①不能處理遮擋問(wèn)題;②計(jì)算復(fù)雜度較高。為避免出現(xiàn)上述問(wèn)題,一些方法使用了時(shí)空低階特征,如光流或梯度。文獻(xiàn)[4]將高斯模型擬合到時(shí)空梯度特征中,并使用隱Markov模型(hidden Markov model, HMM)來(lái)檢測(cè)異常事件。文獻(xiàn)[5]在相關(guān)約束下,利用光流特征圖結(jié)構(gòu)(graphic structure, GS)的迭代尺度化變換,有效降低了視頻異常檢測(cè)中的光流特征數(shù)量,從而完成特征優(yōu)化。文獻(xiàn)[6]提出一種公交車人群異常檢測(cè)方法,根據(jù)人群運(yùn)動(dòng)軌跡確立圖像感興趣區(qū)域,利用L-K光流法提取運(yùn)動(dòng)目標(biāo)速度信息,通過(guò)速度大小進(jìn)行異常情況的檢測(cè)。但該方法難以解決遮擋和大量人群?jiǎn)栴}。文獻(xiàn)[7]提出了深度級(jí)聯(lián)分類器(deep cascade classifier,DCC),利用2個(gè)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行異常檢測(cè),首先利用一個(gè)較小的深度網(wǎng)絡(luò)識(shí)別出有挑戰(zhàn)性的分塊;然后將鄰近分塊通過(guò)另一個(gè)深度網(wǎng)絡(luò)作分類操作。文獻(xiàn)[8]提出基于密集軌跡對(duì)準(zhǔn)及其運(yùn)動(dòng)影響描述符的算法,其中,密集軌跡保證對(duì)視頻運(yùn)動(dòng)目標(biāo)的有效提取,捕獲運(yùn)動(dòng)目標(biāo)的關(guān)鍵信息,然而該方法的計(jì)算復(fù)雜度較高,且無(wú)法對(duì)遮擋進(jìn)行有效處理。文獻(xiàn)[9]提出一種描述群體中的個(gè)體信息結(jié)構(gòu)描述符,引入了固體物理中粒子間作用力的勢(shì)能函數(shù),同時(shí),設(shè)計(jì)魯棒的多目標(biāo)跟蹤器來(lái)關(guān)聯(lián)不同幀中的目標(biāo)。文獻(xiàn)[10]提出利用灰度值與光流場(chǎng)的分布提取運(yùn)動(dòng)區(qū)域,通過(guò)對(duì)運(yùn)動(dòng)區(qū)域的分割得到有效運(yùn)動(dòng)塊,使用運(yùn)動(dòng)連續(xù)性約束來(lái)抑制噪聲,然而運(yùn)動(dòng)連續(xù)性約束產(chǎn)生很大的計(jì)算量。綜上,大多數(shù)異常檢測(cè)方法主要有2個(gè)改進(jìn)方向:①特征優(yōu)化,如采用梯度直方圖或光流直方圖等低階特征;②框架改進(jìn),針對(duì)特定情況優(yōu)化求解框架。

        眾所周知,卷積神經(jīng)網(wǎng)絡(luò)[11](convolution neural network, CNN)可以為各種應(yīng)用確定有效的數(shù)據(jù)分析,與傳統(tǒng)計(jì)算方法相比,其數(shù)據(jù)處理能力更強(qiáng)大,由于權(quán)值可以共享,所用參數(shù)的數(shù)量更少,可以適用于多種計(jì)算場(chǎng)景。但使用CNN進(jìn)行異常檢測(cè)時(shí),分塊的速度過(guò)慢,且無(wú)法從不存在的異常類中訓(xùn)練大量樣本。全卷積網(wǎng)絡(luò)[12](full convolution network, FCN)作為CNN的一種優(yōu)化,依然存在以上問(wèn)題。因此,本文對(duì)FCN進(jìn)行優(yōu)化,使用AlexNet模型[13]預(yù)訓(xùn)練的CNN的數(shù)個(gè)初始卷積層和一個(gè)額外卷積層,采用該方法提取出的特征,對(duì)于視頻數(shù)據(jù)中的異常具有足夠的可辨別性。本文主要工作總結(jié)如下:①將預(yù)訓(xùn)練分類的CNN應(yīng)用到FCN,以生成同時(shí)描述運(yùn)動(dòng)和形狀的視頻區(qū)域;②提出了一種優(yōu)化的FCN架構(gòu),以高效完成異常檢測(cè)和定位。

        1 所提方法概述

        視頻數(shù)據(jù)中的異常行為一般被定義為異常形狀或異常運(yùn)動(dòng)。因此,形狀和運(yùn)動(dòng)的識(shí)別至關(guān)重要。為了識(shí)別出運(yùn)動(dòng)特性,需要一系列視頻幀。因?yàn)閱螏胁话\(yùn)動(dòng)特性,僅能提供形狀信息。

        為了同時(shí)分析形狀和運(yùn)動(dòng),本文考慮了當(dāng)前幀It和上一幀It-1的像素平均為

        (1)

        為了推導(dǎo)出特征向量,首先,在尺寸w×h遞減的網(wǎng)格上對(duì)視頻幀進(jìn)行表征,定義序列Dt在大小w0×h0的網(wǎng)格Ω0上;然后,將序列Dt傳遞到FCN,由第k個(gè)中間卷積層定義,其中,k=0, 1,…,L,尺寸wk×hk的網(wǎng)格Ωk上定義每個(gè)視頻幀,滿足wk>wk+1,hk>hk+1。

        FCN的第k個(gè)中間卷積層的輸出為特征向量fk∈Rmk(即每個(gè)包含mk個(gè)實(shí)特征值),其中R為代數(shù)域,從m0= 1開始。對(duì)于輸入序列Dt,第k個(gè)卷積層的輸出為向量值矩陣

        (2)

        特征向量的推導(dǎo)可以總結(jié)為①針對(duì)視頻第t幀給出Dt的高階描述;②通過(guò)FCN的第k個(gè)中間卷積層(k=0, 1,…,L)對(duì)Dt進(jìn)行表征。使用該表征,在Ωk(接受域)中識(shí)別出部分逐對(duì)重疊區(qū)域集合。同此,通過(guò)Ω0上的序列Dt對(duì)幀It進(jìn)行表征;③通過(guò)Ωk上的mk次映射,從接受域推導(dǎo)特征向量。

        假設(shè)視頻的q個(gè)訓(xùn)練幀都是正常的,基于FCN的第k個(gè)卷積層對(duì)這些普通幀進(jìn)行表征,則2D正常區(qū)域的描述可定義為wk×hk×q個(gè)長(zhǎng)度為mk的向量。為了對(duì)正常行為建模,將高斯分布作為正常區(qū)域描述的分類器進(jìn)行擬合,從而定義出正常參考模型。在測(cè)試階段,以類似的方式通過(guò)一組區(qū)域特征來(lái)描述測(cè)試幀It。將不同于正常參考模型的區(qū)域標(biāo)記為異常。值得一提,預(yù)訓(xùn)練CNN(AlexNet的第2層)生成的特征已經(jīng)具備足夠的可分辨性,對(duì)接受域的表征效果如圖1。當(dāng)再次通過(guò)自動(dòng)編碼器(即最終卷積層)來(lái)表示區(qū)域描述符時(shí),異常區(qū)域在熱圖中更具視覺(jué)上的可區(qū)分性。

        圖1 對(duì)接受域的表征效果Fig.1 Representation of reception domain

        本文將可疑區(qū)域表征為一個(gè)“更具辨識(shí)性”的特征集。這一表示法有助于更好地區(qū)分異常區(qū)域和正常區(qū)域。即AlexNet生成的特征被轉(zhuǎn)換為一個(gè)異常檢測(cè)問(wèn)題,通過(guò)在普通區(qū)域上訓(xùn)練的自動(dòng)編碼器來(lái)完成;然后,將可疑區(qū)域傳遞至自動(dòng)編碼器,以得到更好的表征。

        本文所提檢測(cè)方法的流程圖如圖2。首先,將輸入幀傳遞至預(yù)訓(xùn)練后的FCN;然后,在第k層的輸出中生成hk×wk個(gè)區(qū)域特征向量。使用高斯分類器G1對(duì)這些特征向量進(jìn)行驗(yàn)證。將與G1存在顯著差異的分塊標(biāo)記為異常。將低擬合置信度的可疑區(qū)域輸入到稀疏自動(dòng)編碼器中。在該階段中,基于高斯分類器G2(與G1工作原理相似)標(biāo)記這些區(qū)域。G2是區(qū)域特征向量上訓(xùn)練后的高斯分類器,表示為一個(gè)自動(dòng)編碼器;最后,這些異常區(qū)域的位置將被自動(dòng)傳回FCN。

        圖2 所提方法流程圖Fig.2 Flow chart of the proposed method

        2 本文關(guān)鍵技術(shù)

        2.1 優(yōu)化的FCN結(jié)構(gòu)

        本文使用卷積層將CNN的分類調(diào)整為FCN。由于選擇最適合表征視頻的層至關(guān)重要,本文考慮如下2點(diǎn)。

        1)雖然深層特征通常具更好的可分辨性,但使用深層特征會(huì)增加計(jì)算時(shí)間。此外,由于CNN針對(duì)圖像分類而訓(xùn)練,使用更深層次可能會(huì)得到圖像分類的過(guò)擬合特征。

        2)更深層次會(huì)造成輸入數(shù)據(jù)中接受域更大;由此會(huì)增加不準(zhǔn)確定位的可能性,造成性能下降。

        所實(shí)施的FCN包含3個(gè)卷積層,為了找到最優(yōu)卷積層k,設(shè)初始k為1,其后增加至3。在確定最優(yōu)k后,忽略更深的卷積層。首先,使用層C1的輸出,在區(qū)分異常區(qū)域與正常區(qū)域時(shí),相應(yīng)的接受域尺寸較小,且生成的特征無(wú)法得到適當(dāng)結(jié)果,因此,會(huì)得到大量假陽(yáng)性樣本;然后,使用更深層的C2的輸出。在此階段得到優(yōu)于C1的性能,這是因?yàn)樵贑1的輸入幀中相應(yīng)的接受域足夠大,且更深的特征具有更好的可分辨性;最后,k=3時(shí),將層C3的結(jié)果作為輸出。此時(shí),雖然網(wǎng)絡(luò)容量增加,但結(jié)果卻不如第2個(gè)卷積層。因此,多增加1層將會(huì)得到更深的特征,但這些特征存在過(guò)擬合現(xiàn)象。

        綜上,本文使用C2的輸出來(lái)提取區(qū)域特征,利用卷積層轉(zhuǎn)換每個(gè)生成區(qū)域特征的描述[14],通過(guò)稀疏自動(dòng)編碼器得到卷積層的內(nèi)核。所提FCN結(jié)構(gòu)如圖3,該FCN僅用于區(qū)域特征提取。在之后的階段,嵌入2個(gè)高斯分類器以標(biāo)記異常區(qū)域。新的層稱為CT,位于CNN的C2層之上。通過(guò)預(yù)訓(xùn)練CNN的3個(gè)初始層(即卷積層C1、下采樣層S1和卷積層C2)與額外的新卷積層的組合,作為異常檢測(cè)的聯(lián)合架構(gòu)。

        圖3 所提優(yōu)化的FCN結(jié)構(gòu)Fig.3 Proposed optimized FCN structure

        優(yōu)化的FCN包括2部分:固定部分和可訓(xùn)練部分。固定部分來(lái)自于AlexNet,所有的訓(xùn)練視頻幀由固定部分來(lái)表征,使用從正常視頻中提取出的所有特征向量來(lái)訓(xùn)練稀疏自動(dòng)編碼器。將1×1×256特征向量轉(zhuǎn)換為尺寸1×1×500的稀疏向量(見圖3)。假定有m個(gè)(1, 256)維的特征向量,而xi∈RD=1×256是用于自動(dòng)編碼器學(xué)習(xí)的原始數(shù)據(jù)。自動(dòng)編碼器通過(guò)重建原始數(shù)據(jù)以最小化公式

        (3)

        2.2 異常檢測(cè)

        本文使用區(qū)域特征集對(duì)視頻進(jìn)行表征。這些特征是密集提取的,通過(guò)第k個(gè)卷積層輸出的特征向量來(lái)描述。針對(duì)判斷的標(biāo)準(zhǔn),首先,將一個(gè)高斯分類器G1(.)擬合到FCN生成的所有正常區(qū)域特征中;然后,判斷與G1(.)的距離大于閾值α的區(qū)域特征視為異常;與G1相兼容的區(qū)域特征(即與G1的距離低于閾值β)標(biāo)記為正常;與G1之間的距離在α和β之間的區(qū)域視為可疑區(qū)域。

        將所有可疑區(qū)域傳遞至下一個(gè)卷積層,該卷積層在預(yù)訓(xùn)練FCN生成的所有正常區(qū)域上訓(xùn)練。由此,這些可疑區(qū)域?qū)@得分辨性更好的新表征

        當(dāng)n=1,2,…,h

        (4)

        (4)式中,h表示自動(dòng)編碼器生成的特征向量的大小(與隱藏層的大小相等)。

        (5)

        (6)

        (6)式中,d(G,x)為區(qū)域特征向量x到G-模型的Mahalanobis距離。

        2.3 定 位

        假設(shè)第一個(gè)卷積層有m1個(gè)尺寸為x1×y1的卷積內(nèi)核。在分析第t幀時(shí),序列Dt用這些內(nèi)核作卷積,通過(guò)卷積運(yùn)算提取特征。通過(guò)長(zhǎng)度為m1的特征向量來(lái)描述FCN輸入的每個(gè)區(qū)域。在這個(gè)連續(xù)過(guò)程中,將mk個(gè)映射作為第k層的輸出。由此,用第k層輸出的一個(gè)點(diǎn),來(lái)描述FCN輸入中重疊的第(x1×y1)個(gè)接受域的子集,如圖4。

        圖4 尋找輸入幀的相關(guān)接受域Fig.4 Finding the relevant reception domain of input frame

        修改后的AlexNet中的層序?yàn)?/p>

        Alexnet→[C1,S1,C2,S2,C3,fc1,fc2]

        (7)

        (7)式中,C和S分別為卷積層和下采樣層。最后2層為全連接層。

        另外,下采樣(平均池化)層也可考慮為僅有1個(gè)內(nèi)核的卷積層。原始幀(即Ω0)中任何被檢測(cè)為異常的區(qū)域,均為一些較大重疊分塊的組合,但這樣會(huì)造成定位性能較差。為了提高異常檢測(cè)的精度,本文將Ω0中被超過(guò)ζ個(gè)相關(guān)接受域覆蓋的像素識(shí)別為異常。

        3 實(shí)驗(yàn)結(jié)果與分析

        3.1 數(shù)據(jù)集及參數(shù)設(shè)置

        實(shí)驗(yàn)基于前文定義的最優(yōu)FCN(見圖3)完成所有測(cè)試。在自動(dòng)編碼器的目標(biāo)函數(shù)中,β(懲罰項(xiàng)權(quán)值),ρ(稀疏性)和s(隱藏層節(jié)點(diǎn)數(shù))的參數(shù)值分別設(shè)為0.1,0.05和500,其中,隱藏層的節(jié)點(diǎn)用于存儲(chǔ)可訓(xùn)練部分向量(最大維數(shù)為500),因此,s取值500。參數(shù)β為稀疏自動(dòng)編碼器目標(biāo)函數(shù)中懲罰項(xiàng)的權(quán)值,ρ是伯努利分布的參數(shù),表示稀疏性,即通過(guò)自動(dòng)編碼器以0.05的稀疏性完成特征學(xué)習(xí),且β和ρ均是經(jīng)驗(yàn)數(shù)值。

        本文在UCSD[15]和Subway數(shù)據(jù)集[16]上對(duì)所提方法進(jìn)行性能評(píng)價(jià)。其中,UCSD數(shù)據(jù)集內(nèi)的動(dòng)態(tài)目標(biāo)是行人,人群密度從低到高變化,汽車、滑板、輪椅或自行車等目標(biāo)視為異常。數(shù)據(jù)集中包含12個(gè)用于測(cè)試的視頻序列,16個(gè)用于訓(xùn)練的視頻序列,分辨率為320像素×240像素,異常幀和正常幀的總數(shù)分別為約2 384幀和約2 566幀。

        Subway數(shù)據(jù)集包括地鐵站入口(96 min,144 249幀)和出口(43 min,64 900幀)錄制的2個(gè)視頻序列。進(jìn)出車站的人通常是行為正常的。異常事件定義為向錯(cuò)誤方向移動(dòng)的人(即離開入口或進(jìn)入出口),或逃票。該數(shù)據(jù)集存在2個(gè)局限:異常事件的數(shù)量較少,且空間上的定位是可預(yù)測(cè)的(在入口或出口區(qū)域)。

        3.2 評(píng)價(jià)指標(biāo)

        本文使用受試者操作特征(receiver operating characteristic, ROC)曲線、等錯(cuò)誤率(equal error rate, EER)和曲線下面積(area under curve, AUC),比較所提方法與其他先進(jìn)方法的結(jié)果。使用了幀級(jí)和像素級(jí)2個(gè)度量[17]。根據(jù)這些度量將幀分為異常(陽(yáng)性)或正常(陰性)。這些度量定義如下。

        1)幀級(jí):該度量中,若1個(gè)像素檢測(cè)到異常,則考慮其為異常。

        2)像素級(jí):若算法檢測(cè)出的像素至少覆蓋了40%異常的真實(shí)像素,則該幀被視為異常。

        3.3 定性和定量結(jié)果

        所提方法在UCSD和Subway數(shù)據(jù)集的樣本上的輸出如圖5??梢钥闯觯疚姆椒ㄕ_檢測(cè)并定位了這些樣本的異常。圖5a的UCSD數(shù)據(jù)集檢測(cè)結(jié)果中,在校園道路上,檢測(cè)出一些使用滑輪車的人、騎自行車的人以及行駛的汽車;圖5b的Subway數(shù)據(jù)集檢測(cè)結(jié)果中,第1行是地鐵出口的門禁處,有行人準(zhǔn)備逆向行走,并有跨越門禁的行為。這些行為均被檢測(cè)出,并標(biāo)有紅色,其中,第2,第3幀是從出口強(qiáng)行通過(guò)門禁進(jìn)入地鐵,第4幀是從樓梯處逆向步行到門禁處。第2行是地鐵入口,第2行的第2和第3幀圖像檢測(cè)出異常,可以看出,該人正在翻越門禁,第4幀圖像檢測(cè)的異常是該人正在逆向行走,從入口出來(lái)。

        目前,絕大數(shù)異常檢測(cè)方法的主要問(wèn)題是依然存在一定的假陽(yáng)性率。圖6給出了使用所提方法時(shí),被錯(cuò)誤地檢測(cè)為異常區(qū)域(假陽(yáng)性)的例子。假陽(yáng)性會(huì)在2種情況下產(chǎn)生:①過(guò)于擁擠的場(chǎng)景;②人們向不同方向行走。由于訓(xùn)練識(shí)別中未觀察到走反方向的其他行人,所提方法會(huì)將這一行為識(shí)別為異常。

        圖6 2個(gè)假陽(yáng)性樣例Fig.6 Two false positive samples

        所提方法與文獻(xiàn)[4]提出的隱Markov模型方法(簡(jiǎn)稱HMM[4])、文獻(xiàn)[5]光流特征圖結(jié)構(gòu)方法(檢測(cè)GS[5])和文獻(xiàn)[7]提出的深度級(jí)聯(lián)分類器方法(DCC[7])進(jìn)行比較。各方法在UCSD數(shù)據(jù)集上的幀級(jí)和像素級(jí)的ROC比較如圖7。

        圖7中TPR(%)表示分到正樣本中真實(shí)的正樣本占所有正樣本的比例,定義為

        (8)

        (8)式中:TP表示被判定為正樣本,事實(shí)也是正樣本;FN表示被判定為負(fù)樣本,事實(shí)是正樣本。

        FPR(%)表示被錯(cuò)誤分到正樣本類別中真實(shí)的負(fù)樣本占所有負(fù)樣本總數(shù)的比例,定義為

        (9)

        (9)式中,F(xiàn)P表示被判定為正樣本,事實(shí)是負(fù)樣本;TN表示被判定為負(fù)樣本,事實(shí)也是負(fù)樣本。

        圖7 各方法的ROC比較Fig.7 ROC comparison of different methods

        在圖7的ROC結(jié)果圖中,當(dāng)FPR越小,TPR越大時(shí),表示分類的效果越好。EER用于衡量方法的整體性能,表示FPR等于FNR(假陰性)的值,由于FNR=1-TPR,因此,可以畫一條從(0,1)到(1,0)的直線(即EER曲線),該曲線與某方法ROC曲線的交點(diǎn)(橫坐標(biāo)FPR值)表示該方法的EER值,EER值越小表示錯(cuò)誤率越低,方法性能越好。由圖7a和圖7b可知,所提方法的ROC性能優(yōu)于其他方法。這主要是因?yàn)樗酕CN架構(gòu)對(duì)輸入數(shù)據(jù)作了分塊級(jí)操作,生成的區(qū)域特征不受情境影響,從而增加了異常檢測(cè)的準(zhǔn)確率,降低了誤檢率。

        在UCSD數(shù)據(jù)集上,各方法在的幀級(jí)和像素級(jí)EER如表1。所提方法的幀級(jí)EER為11%,僅次于DCC[7]的EER,在像素級(jí)EER方面,所提方法的EER為15%,表現(xiàn)最優(yōu)。

        在Subway數(shù)據(jù)集上,各方法在AUC和EER方面的性能比較如表2,這里分別討論了地鐵出口和入口。表格中的數(shù)值第1個(gè)是AUC值,第2個(gè)是EER值。對(duì)于出口場(chǎng)景,所提方法在AUC和EER度量上均優(yōu)于其他方法;其中AUC和EER分別比其他方法至少提升0.5%和0.4%。對(duì)于入口場(chǎng)景,所提方法的AUC比其他方法至少提升0.4%;在EER度量上提出的方法性能與DCC[7]幾乎相同。

        表1 各方法在UCSD數(shù)據(jù)集的EER性能比較

        表2 各方法在Subway數(shù)據(jù)集的性能比較

        3.4 參數(shù)敏感性分析

        由于β和ρ的取值可能會(huì)對(duì)性能結(jié)果產(chǎn)生影響,因此,有必要對(duì)這些參數(shù)的敏感性進(jìn)行分析。其中,β是正則化項(xiàng)的懲罰系數(shù),取值為[0,1];ρ是稀疏性參數(shù),也是伯努利分布(0~1)的概率,取值為(0,1),實(shí)驗(yàn)常用的幾個(gè)數(shù)值有0.01,0.05,0.1,0.2和0.5;實(shí)驗(yàn)數(shù)據(jù)集選取Subway,度量采用EER值,β與EER關(guān)系如圖8。可以看出,β取值0時(shí),正則化項(xiàng)的系數(shù)為0,函數(shù)退化,EER性能最差;當(dāng)正則化項(xiàng)的懲罰系數(shù)β為0.1時(shí),EER表現(xiàn)較優(yōu)。稀疏性參數(shù)ρ與EER關(guān)系如表3,可以看出,ρ=0.05,EER表現(xiàn)最優(yōu)。通常情況下,ρ值越大,區(qū)域特征的表征越差,因?yàn)橐恍o(wú)用特征的權(quán)重被賦值;相反,ρ值越小,很多無(wú)用特征的權(quán)重被置為0,有利于特征表示。

        表3 稀疏性參數(shù)ρ的影響

        3.5 運(yùn)行時(shí)間分析

        本文方法在Intel酷睿雙核i3的臺(tái)式機(jī)上運(yùn)行,2.89 GHz,內(nèi)存4 GByte,采用matlab和C++混合編程。在處理視頻幀時(shí),需要執(zhí)行3個(gè)步驟:①重新調(diào)整幀尺寸并重建FCN的輸入;②通過(guò)FCN對(duì)輸入進(jìn)行表征;③利用高斯分類器對(duì)區(qū)域描述符進(jìn)行檢驗(yàn)。所提方法預(yù)處理平均時(shí)間為0.01 s,表征0.001 s,分類0.01 s,單個(gè)幀的異常檢測(cè)為0.021 s,大約60 frame/s。

        圖8 懲罰系數(shù)β的影響Fig.8 Influence of penalty coefficient β

        與其他方法的比較如表4,由于硬件和編程方法的差異,會(huì)有所差異,但差異應(yīng)該不會(huì)很大??梢钥闯觯疚姆椒ㄋ俣茸羁?。其原因主要在于使用了全卷積神經(jīng)網(wǎng)絡(luò),僅處理2個(gè)卷積層,并使用稀疏自動(dòng)編碼器對(duì)一些區(qū)域進(jìn)行分類。處理這些較淺的層可以明顯降低計(jì)算量。此外,本文方法還采用FCN同時(shí)執(zhí)行特征提取和定位,由此實(shí)現(xiàn)了比其他方法更快的處理速度。

        表4 平均運(yùn)行時(shí)間比較

        4 結(jié) 論

        本文提出了一個(gè)優(yōu)化的FCN架構(gòu),生成并描述視頻的異常區(qū)域。利用FCN架構(gòu)對(duì)輸入數(shù)據(jù)做分塊級(jí)操作,由此生成的區(qū)域特征不受情境影響。此外,提出的FCN結(jié)合了預(yù)訓(xùn)練CNN(AlexNet版本)和卷積層(根據(jù)訓(xùn)練視頻訓(xùn)練的內(nèi)核),克服了使用訓(xùn)練采樣來(lái)學(xué)習(xí)完備CNN的限制。實(shí)驗(yàn)結(jié)果表明,所提方法優(yōu)于其他同類方法,且整個(gè)方法的運(yùn)行速度在60 frame/s左右,實(shí)時(shí)性較好。

        猜你喜歡
        特征向量編碼器卷積
        二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
        克羅內(nèi)克積的特征向量
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于FPGA的同步機(jī)軸角編碼器
        一類特殊矩陣特征向量的求法
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
        基于PRBS檢測(cè)的8B/IOB編碼器設(shè)計(jì)
        JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
        電子器件(2015年5期)2015-12-29 08:42:24
        玩弄丰满奶水的女邻居 | www插插插无码视频网站| 日本啪啪一区二区三区| 国产色av一区二区三区| 夜夜躁狠狠躁日日躁视频| 全部孕妇毛片| 精品国产一区二区三区久久女人| 亚洲女同高清精品一区二区99 | 超碰日韩AV在线| 中文字幕人妻在线少妇完整版| 国产精品一区二区性色| 99久久国产综合精品五月天| 色综合久久综合欧美综合图片| 91亚洲国产成人久久精品网站| 国产香蕉一区二区三区在线视频| 无码尹人久久相蕉无码| 亚洲黄视频| 日本少妇比比中文字幕| 亚洲国产精品av在线| 国产精品欧美福利久久| 日韩中文字幕不卡网站| 一区二区三区夜夜久久| www国产亚洲精品| 青青久在线视频免费观看| 亚洲地区一区二区三区| 免费观看国产激情视频在线观看| 亚洲无码在线播放| 国内精品无码一区二区三区| 天天澡天天揉揉AV无码人妻斩| 亚洲av高清不卡免费在线| 少妇人妻综合久久中文字幕| 国产成人亚洲不卡在线观看| 亚洲av色在线观看网站| 亚洲人成在久久综合网站| 无遮无挡爽爽免费毛片| 久久精品国产久精国产爱| 国产精品久久久久av福利动漫| 国内精品国产三级国产av另类| 久久狼人国产综合精品| 久久人人爽爽爽人久久久| 熟妇与小伙子matur老熟妇e|