徐桂菲，王 平，羅凡波，王 偉，胡 軍，宋秋霜

(1.西華大學(xué) 電氣與電子信息學(xué)院，四川 成都 610039； 2.國網(wǎng)四川省電力公司 達(dá)州供電公司，四川 達(dá)州 635000)

0 引 言

基于智能視頻監(jiān)控系統(tǒng)可以有效檢測人群異常行為，除了在運(yùn)動場等特殊場景下，人群突散行為本就是一種具有隱藏危害的人群異常行為[1]，近年來隨著城市人口日益增多，城市中車站、商場等場所人群密度越來越大，一旦發(fā)生人群突散行為，極大可能會發(fā)生擁擠踩踏人群事件[2]，造成極為嚴(yán)重的公共安全事件。傳統(tǒng)的視頻監(jiān)控主要還是依靠人力時(shí)刻觀察監(jiān)控畫面，從而實(shí)現(xiàn)對人群異常行為的判定，這類方法不僅耗費(fèi)人力，且對于異常行為的判定具有一定的主觀性。因此，采用智能視頻監(jiān)控[3]進(jìn)行人群突散異常行為的檢測具有重大意義，其能提高監(jiān)控檢測的時(shí)效性和準(zhǔn)確性[4]。

目前，國內(nèi)外已有不少的研究者已經(jīng)在人群異常行為檢測方面做了不少的研究工作。其相關(guān)工作大致可以分為3類：第一類是基于運(yùn)動軌跡的分析。如Zhou等[5]通過KLT獲得行人軌跡，通過建模來確定行人異常突散軌跡幀；王洪雁等[6]根據(jù)算法獲得人群運(yùn)動軌跡圖，再使用雙流卷積神經(jīng)網(wǎng)絡(luò)(TS-CNN)檢測人群突散異常行為。但這類方法在雜亂擁擠的場景中不能準(zhǔn)確地檢測和定位視頻事件，在雨霧天等背景復(fù)雜模糊的場景下識別精度不理想。

第二類是基于底層特征的分析，如周培培等[4]結(jié)合灰度值和光流法提取運(yùn)動目標(biāo)特征，使用分類器建模檢測人群異常行為。馬國祥等[7]通過卷積網(wǎng)絡(luò)和光流法提取視頻中行人的特征來進(jìn)行突散異常判定。Li等[8]提出一種動態(tài)紋理模型來進(jìn)行異常行為的檢測和定位。這類方法需要根據(jù)具體場景進(jìn)行建模，魯棒性不夠好，且時(shí)效性較差。

第三類則是基于深度學(xué)習(xí)的特征分析，這類方法通過神經(jīng)網(wǎng)絡(luò)[9]可以有效提取圖像的特征信息，實(shí)現(xiàn)目標(biāo)檢測。如孫月馳等[10]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)嵌套模型的人群異常行為檢測方法。胡學(xué)敏等[11]提出一種基于深度時(shí)空卷積神經(jīng)網(wǎng)絡(luò)的人群中異常行為檢測和定位的方法。但這類方法大多都是基于個(gè)體目標(biāo)進(jìn)行的檢測和定位，缺少對整個(gè)群體異常的檢測。

針對上述方法檢測中時(shí)效性較差且大多都是針對個(gè)別異常行為進(jìn)行檢測，本文提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的人群突散異常行為檢測方法。該方法使用改進(jìn)的多尺度卷積神經(jīng)網(wǎng)絡(luò)(MCNN)預(yù)測行人頭部坐標(biāo)點(diǎn)，再使用坐標(biāo)點(diǎn)計(jì)算人群平均動能、人群密度、人群分布熵這3種運(yùn)動狀態(tài)特征值，最后再將運(yùn)動狀態(tài)特征值輸入到差分進(jìn)化粒子群優(yōu)化的極限學(xué)習(xí)機(jī)(DE-PSO-ELM)中進(jìn)行訓(xùn)練預(yù)測，最終實(shí)現(xiàn)人群突散異常行為的分類。本文通過使用坐標(biāo)點(diǎn)進(jìn)行運(yùn)動狀態(tài)特征值的計(jì)算，相較于傳統(tǒng)方法中使用光流法來計(jì)算，很大程度上減少了計(jì)算量。最后仿真結(jié)果表明，該算法不僅減少了計(jì)算量，檢測準(zhǔn)確率也較高。

1 人群突散異常行為檢測流程

本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)的人群突散異常行為檢測方法流程如圖1所示，先通過改進(jìn)的多尺度卷積神經(jīng)網(wǎng)絡(luò)(MCNN)訓(xùn)練人群計(jì)數(shù)模型，再預(yù)測提取視頻圖像每一幀中每一個(gè)行人個(gè)體的頭部坐標(biāo)點(diǎn)，再使用提取的坐標(biāo)點(diǎn)計(jì)算每一幀的運(yùn)動狀態(tài)特征值，最后再將運(yùn)動狀態(tài)特征值輸入到差分進(jìn)化粒子群優(yōu)化的極限學(xué)習(xí)機(jī)(DE-PSO-ELM)中進(jìn)行訓(xùn)練預(yù)測，最終得到突散異常的檢測結(jié)果。

圖1 人群突散異常行為檢測流程

1.1 獲取坐標(biāo)點(diǎn)信息

為了減少后續(xù)工作的計(jì)算量，使用改進(jìn)的MCNN人群計(jì)數(shù)網(wǎng)絡(luò)進(jìn)行人群密度圖的繪制以及行人頭部坐標(biāo)點(diǎn)信息的獲取。

1.1.1 人群密度圖繪制

人群密度圖可以更好更直觀地理解人群在圖中的分布情況。人群密度圖繪制是通過標(biāo)注行人頭部，使用幾何自適應(yīng)高斯核來估計(jì)行人頭部大小并轉(zhuǎn)為密度圖，然后將人群密度圖輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。假設(shè)圖中有一位行人頭部中心坐標(biāo)位置在像素點(diǎn)xi， 將這一點(diǎn)用函數(shù)表示為δ(x-xi)， 那么圖中有N個(gè)行人頭部中心的人群圖像表示為式(1)

(1)

使用幾何自適應(yīng)高斯核函數(shù)Gσi(x) 生成的密度圖F如式(2)所示

(2)

1.1.2 改進(jìn)的MCNN網(wǎng)絡(luò)結(jié)構(gòu)

MCNN網(wǎng)絡(luò)[12]即多尺度卷積神經(jīng)網(wǎng)絡(luò)，多尺度體現(xiàn)在使用了3列不同大小的卷積核，L列卷積核大小為 [(11×11),(9×9),(7×7)]， M列卷積核大小為[(9×9),(7×7),(5×5)]， S列卷積核大小則為[(7×7),(5×5),(3×3)]。 由于監(jiān)控視頻下存在透視、頭部大小不一致等問題，使用多尺度卷積核可以適應(yīng)不同尺度的頭部大小。此外由于每一個(gè)卷積核中的值都是隨機(jī)生成的，采用多核卷積的思想，在兩層之間多增加一個(gè)卷積層，用來學(xué)習(xí)不同的特征。最后合并3列卷積神經(jīng)網(wǎng)絡(luò)，生成人群密度圖。改進(jìn)后的MCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)的MCNN網(wǎng)絡(luò)結(jié)構(gòu)

損失函數(shù)定義如式(3)

(3)

其中，θ為MCNN中一個(gè)可學(xué)習(xí)的參數(shù)，Ni為訓(xùn)練圖像的數(shù)量，Xi為輸入圖像，F(xiàn)i為Xi的真實(shí)密度圖，F(xiàn)(Xi;θ) 為估計(jì)密度圖，L為估計(jì)密度圖與真實(shí)密度圖之間的損失。

根據(jù)以往人群計(jì)數(shù)網(wǎng)絡(luò)的評價(jià)指標(biāo)，我們同樣采用平均絕對誤差(MAE)和均方誤差(MSE)作為網(wǎng)絡(luò)的評價(jià)指標(biāo)。定義如下

(4)

(5)

從圖2可以看出，網(wǎng)絡(luò)中使用了兩層最大池化層，因此輸出的密度圖為輸入圖像的1/4大小，所以在制作訓(xùn)練數(shù)據(jù)的標(biāo)簽密度圖時(shí)，也要將其制作為原圖的1/4大小，幾何自適應(yīng)高斯核也應(yīng)被限制在25個(gè)像素內(nèi)。

通過改進(jìn)MCNN訓(xùn)練以及測試，我們可以得到預(yù)測的人群密度圖、每一幀的總?cè)藬?shù)以及每一個(gè)行人頭部位置所對應(yīng)的坐標(biāo)點(diǎn)，為后續(xù)進(jìn)行人群突散異常行為檢測做準(zhǔn)備。

1.2 突散人群運(yùn)動狀態(tài)特征值計(jì)算

人群行為都是處于不斷運(yùn)動的狀態(tài)之中，本文通過動態(tài)的特征值變化去判定是否發(fā)生人群突散異常行為，定義為以下3種人群運(yùn)動狀態(tài)特征值。一是人群平均動能，在監(jiān)控場景下，人群發(fā)生突散行為時(shí)人群平均動能會有所增大；二是人群密度值，由于監(jiān)控視頻下監(jiān)控范圍有限，當(dāng)人群發(fā)生突散行為時(shí)，會出現(xiàn)人群離開監(jiān)控視頻，人群密度值就會隨之減小；三是人群分布熵，發(fā)生突散行為，監(jiān)控區(qū)域的人群分布會有所變化，隨著突散進(jìn)行，人群分布熵會隨著人群分散越來越大。

1.2.1 人群平均動能

動能簡單來說就是物體因運(yùn)動而具有的能量，傳統(tǒng)方法通過以前景為模板掩模來提取角點(diǎn)信息確定特征點(diǎn)，再計(jì)算特征點(diǎn)的運(yùn)動矢量來計(jì)算人群的動能。本文的動能是指監(jiān)控區(qū)域內(nèi)的人群平均動能，對于每一幀圖像選取圖像中心點(diǎn)位置 (x0,y0) 作為參考點(diǎn)，先計(jì)算第i幀內(nèi)網(wǎng)絡(luò)預(yù)測坐標(biāo)點(diǎn)到參考點(diǎn)的平均距離si， 設(shè)第i幀內(nèi)一共預(yù)測出j個(gè)行人頭部坐標(biāo)點(diǎn)，該幀中的行人頭部坐標(biāo)點(diǎn)用 (xj,yj) 來表示，計(jì)算公式如式(6)，再計(jì)算第i+1幀的平均距離si+1， 再根據(jù)幀率計(jì)算其速度，從而計(jì)算人群平均動能，其計(jì)算公式如式(7)

(6)

(7)

其中，Eavg表示人群平均動能，t為單幀的時(shí)間，si為第i幀的平均距離，由于運(yùn)動場景中運(yùn)動對象大小相似，故m=1。

1.2.2 人群密度值

人群密度值是評判一幀中人群所占相應(yīng)面積的比例大小。改進(jìn)MCNN可以在生成密度圖的同時(shí)，計(jì)算得出該幀的預(yù)測人數(shù)，具體得人群密度值如式(8)

(8)

式中：Ni為第i幀中預(yù)測的人群總數(shù)，λ為圖像總?cè)藬?shù)修正因子，Si為第i幀圖像面積，為方便計(jì)算，本文取Si=1。

1.2.3 人群分布熵

熵最開始是熱力學(xué)中表征物質(zhì)狀態(tài)的參量之一，其物理意義是體系混亂程度的度量。1948年香農(nóng)提出了信息熵的概念，對信息的多少進(jìn)行了度量，體現(xiàn)了隨機(jī)時(shí)間的不確定性。本文對人群分布計(jì)算采用信息熵的理念，來對人群分布進(jìn)行說明，若人群分散，人群分布熵則會增大，反之，減小。首先將坐標(biāo)進(jìn)行歸一化處理，使之處于 [-1,1] 之間，再將該區(qū)域平均劃分為20個(gè)連續(xù)的小區(qū)域，即 [-1,-0.9)…(0.9,1]， 再計(jì)算人群分布熵，計(jì)算公式如下

(9)

其中，S(i) 為第i幀的分布熵，pj為樣本在yk區(qū)間內(nèi)出現(xiàn)的概率，count(yk) 為坐標(biāo)點(diǎn)歸一化后在yk區(qū)間的個(gè)數(shù)，k=20。

1.3 DE-PSO-ELM異常分類

極限學(xué)習(xí)機(jī)(ELM)[13]是一類基于前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建的機(jī)器學(xué)習(xí)方法，由Huang教授提出的單隱層前饋神經(jīng)網(wǎng)絡(luò)，具有訓(xùn)練參數(shù)少，學(xué)習(xí)速度快，泛化能力強(qiáng)的優(yōu)點(diǎn)。在此算法中，輸入層和隱含層的連接權(quán)值，隱含層的閾值都是隨機(jī)設(shè)定的，且設(shè)定之后不需要再調(diào)整，輸出層權(quán)重通過廣義逆矩陣?yán)碚撚?jì)算得出。將本文已經(jīng)計(jì)算得到的3種人群運(yùn)動狀態(tài)特征值送入到DE-PSO-ELM中進(jìn)行模型訓(xùn)練從而得到預(yù)測結(jié)果，由于人群運(yùn)動狀態(tài)值是一個(gè)動態(tài)變化的過程，最終得出的預(yù)測結(jié)果也是動態(tài)變化的。

1.3.1 差分進(jìn)化粒子群算法

粒子群(PSO)優(yōu)化算法[14]的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解。粒子群算法通過模擬鳥群中的鳥來設(shè)計(jì)一種無質(zhì)量的粒子，該粒子具有速度V和位置X兩個(gè)屬性，V表示粒子移動的快慢，X表示粒子移動的方向。每個(gè)粒子先在搜索空間中通過迭代方式單獨(dú)搜尋個(gè)體最優(yōu)解Pbest， 再將個(gè)體極值Pbest與整個(gè)群體中的其它粒子共享位置信息，尋找到整個(gè)粒子群中的全局最優(yōu)解Gbest， 以此來調(diào)整自己的速度和位置。根據(jù)式(10)～式(11)更新粒子的速度和位置

Vi(t+1)=ωVi(t)+c1Rand(0,1)(Pbesti-Xi(t))+c2Rand(0,1)(Gbesti-Xi(t))

(10)

Xi(t+1)=Xi(t)+Vi(t+1)

(11)

其中，ω為慣性權(quán)重因子，t為當(dāng)前迭代次數(shù)，Vi為粒子速度，Xi為粒子位置，c1,c2為加速因子，c1=c2=2，Pbest表示當(dāng)前個(gè)體最優(yōu)粒子的位置，Gbest表示當(dāng)前群體最優(yōu)粒子位置。

但粒子群優(yōu)化算法容易陷入局部最優(yōu)，會導(dǎo)致收斂精度低和不易收斂。故本文加入差分進(jìn)化(DE)算法[15]進(jìn)行全局優(yōu)化，先計(jì)算其個(gè)體適應(yīng)度，未達(dá)到最優(yōu)值時(shí)，將兩個(gè)隨機(jī)個(gè)體向量進(jìn)行變異操作，將變異向量與其父代向量進(jìn)行交叉操作，再得實(shí)驗(yàn)向量，將實(shí)驗(yàn)向量與父代向量進(jìn)行適應(yīng)度比較，擇優(yōu)選擇進(jìn)入下一代，如此反復(fù)進(jìn)行優(yōu)化，最終得到全局最優(yōu)解。

1.3.2 DE-PSO-ELM

本文利用DE-PSO優(yōu)化ELM的輸入層權(quán)值和隱含層偏置。先初始化種群，將種群隨機(jī)分給PSO和DE算法，對于PSO算法，設(shè)定粒子群規(guī)模、慣性參數(shù)ω、 學(xué)習(xí)因子c1和c2、 迭代次數(shù)和最大速度等參數(shù)。計(jì)算適應(yīng)度，根據(jù)最優(yōu)適應(yīng)度更新個(gè)體極值Pb和全局極值Gb。 對于DE優(yōu)化算法，先初始化最大迭代次數(shù)Gm， 種群數(shù)Nr， 設(shè)置變異算子F、 交叉算子CR和相應(yīng)的差分策略，然后對每個(gè)個(gè)體進(jìn)行變異、交叉、選擇操作，選擇出最優(yōu)個(gè)體。再將PSO選擇的極值與DE選的最優(yōu)個(gè)體進(jìn)行種群混合重新分配執(zhí)行尋優(yōu)操作，最終確定最優(yōu)個(gè)體值對應(yīng)的輸入層權(quán)重和隱含層偏置。DE-PSO-ELM算法流程如圖3所示。

圖3 DE-PSO-ELM算法流程

2 實(shí)驗(yàn)與結(jié)果分析

本次實(shí)驗(yàn)在普通PC機(jī)上進(jìn)行，CPU為AMD Ryzen 5 3600，3.60 GHz，16 G內(nèi)存，顯卡為RTX 2070 SUPER，8 G，改進(jìn)的MCNN網(wǎng)絡(luò)是在Anaconda3+Pytorch1.3.1+cuda10.1+cudnn7.5.1+Python3.7.1環(huán)境下搭建進(jìn)行訓(xùn)練測試的，最后人群狀態(tài)特征值和異常分類是在MATLABR2020a環(huán)境下完成的。

本文使用的數(shù)據(jù)集為明尼蘇達(dá)州大學(xué)創(chuàng)建的UMN數(shù)據(jù)庫，其中每個(gè)視頻起始部分都是正常行為，隨后為異常行為視頻序列。本文主要采用人群單方向奔跑以及人群四散的異常行為視頻。

2.1 人群密度圖與人群計(jì)數(shù)

改進(jìn)的MCNN的訓(xùn)練迭代次數(shù)為2000次，其學(xué)習(xí)率設(shè)置為0.000 01，動量系數(shù)為0.9，能量為0.75，權(quán)重衰減系數(shù)為0.05。訓(xùn)練迭代2000次的MAE和MSE變化曲線如圖4所示，橫坐標(biāo)表示訓(xùn)練次數(shù)，縱坐標(biāo)為訓(xùn)練過程中的MAE和MSE這兩個(gè)評價(jià)指標(biāo)值。從圖中可以看出，MAE趨于穩(wěn)定在21左右，MSE區(qū)域穩(wěn)定在11左右。在訓(xùn)練過程中，本文最佳模型MAE=10.64，MSE=19.28。

圖4 訓(xùn)練過程網(wǎng)絡(luò)評價(jià)指標(biāo)變化曲線

將改進(jìn)的MCNN網(wǎng)絡(luò)用來預(yù)測生成視頻內(nèi)每幀圖像的人群密度圖，使用UMN數(shù)據(jù)集進(jìn)行人群密度圖的預(yù)測。

圖5(a)、圖5(d)兩個(gè)圖為UMN數(shù)據(jù)集中在草坪上拍攝的人群的人群異常行為視頻中的兩張?jiān)瓐D，圖5(a)為前期人群正常行走時(shí)候的一幀圖像，圖5(d)為后期人群即將要四散的圖像，圖5(b)、圖5(e)兩張圖為真實(shí)的人群密度圖，圖5(c)、圖5(f)為改進(jìn)的MCNN網(wǎng)絡(luò)預(yù)測的人群密度圖。

圖6(a)、圖6(d)兩個(gè)圖為在廣場上拍攝的人群異常行為視頻中的兩張?jiān)瓐D，圖6(a)為前期人群正常行走時(shí)候的一幀圖像，圖6(d)為后期人群已經(jīng)四散的圖像，圖6(b)、圖6(e)兩張圖為真實(shí)的人群密度圖，與圖6(c)、圖6(f)為改進(jìn)的MCNN網(wǎng)絡(luò)預(yù)測的人群密度圖。對于圖6和圖5的人群密度圖，可以看出，圖6中預(yù)測的人群密度圖要優(yōu)于圖5中預(yù)測出來的密度，是因?yàn)閳D5中的行人陰影對預(yù)測有一定的影響，導(dǎo)致有些行人頭部的預(yù)測不是很準(zhǔn)確明顯。

2.2 人群特征狀態(tài)值

本文特征值計(jì)算使用的是明尼蘇達(dá)大學(xué)的數(shù)據(jù)集UMN中異常人群活動的視頻。本文定義了人群平均動能、人群密度值和人群分布熵3種特征狀態(tài)，根據(jù)3種特征值進(jìn)行無規(guī)則突散和同向突散異常的區(qū)分。

由圖7(a)、圖7(b)、圖7(c)這個(gè)圖對比可以看出，在360幀左右3種特征值都開始出現(xiàn)明顯變化，動能和人群分布熵開始突增，人群密度逐漸減小，再對應(yīng)視頻中相應(yīng)的幀數(shù)發(fā)現(xiàn)，3種狀態(tài)特征值變化的拐點(diǎn)與視頻中人群剛開始突散的時(shí)刻相對應(yīng)，此時(shí)人群開始突然散開，奔跑起來，動能和分布熵逐漸增大。人群密度隨著行人跑出監(jiān)控區(qū)域逐漸減小。從圖中可以看出人群平均動能和人群分布熵在前面正常行走的階段也有一定的小波動，出現(xiàn)小波動的原因是期間有人進(jìn)入或者離開監(jiān)控區(qū)域，再對比圖7(b)人群密度，可以看出對應(yīng)幀數(shù)有人數(shù)的增減。

圖8為同向突散異常行為的3個(gè)人群狀態(tài)特征值的動態(tài)變化圖。從圖中看出，在290幀左右動能出現(xiàn)了明顯的增大變化，再應(yīng)對視頻相應(yīng)幀數(shù)，人群開始朝同一個(gè)方向突散，從圖8(c)中可以看出分布熵的值在前期的波動較為穩(wěn)定，到290幀左右，熵值開始增加，但熵值變化較小，說明人群有一定程度的分散，但分散的程度不大。相對應(yīng)時(shí)刻的人群密度也開始逐漸的減小，即監(jiān)控視頻范圍內(nèi)的人群在逐漸減少，監(jiān)控視頻范圍內(nèi)的行人逐漸跑出監(jiān)控之外，最終人群密度有所回升是因?yàn)楹罄m(xù)又檢測到行人進(jìn)入監(jiān)控區(qū)域。

2.3 DE_PSO_ELM異常分類

本文在圖9及圖10中對比了ELM[16,17]異常分類和基于差分進(jìn)化粒子群優(yōu)化的極限學(xué)習(xí)機(jī)(DE-PSO-ELM)的異常分類結(jié)果。

圖9 無規(guī)則突散異常分類預(yù)測對比

圖10 同向突散異常分類預(yù)測對比

從圖9、圖10中對無規(guī)則突散行為和同向突散行為的異常分類預(yù)測對比圖可以看出，使用差分進(jìn)化粒子群優(yōu)化后的ELM對異常分類的預(yù)測要更加準(zhǔn)確對于無規(guī)則突散的異常分類準(zhǔn)確率達(dá)到99.75%，同向突散的異常分類準(zhǔn)確率為99.69%，其中模型通過MAE、MAPE以及識別所用時(shí)間這3個(gè)指標(biāo)進(jìn)行評價(jià)。評價(jià)指標(biāo)數(shù)值見表1。

表1 模型評價(jià)值

本文通過行人頭部坐標(biāo)點(diǎn)進(jìn)行人群行為的3種特征值分析，由于每一個(gè)人只會有一個(gè)坐標(biāo)點(diǎn)，對于后續(xù)的分析計(jì)算減少了計(jì)算量，加快了計(jì)算速度，再結(jié)合MAE和MAPE值說明改進(jìn)的DE-PSO-ELM模型更加適合。

以下是本文算法與文獻(xiàn)[4]、文獻(xiàn)[7]和文獻(xiàn)[10]的檢測準(zhǔn)確率對比見表2。

表2 檢測準(zhǔn)確率對比/%

本文算法通過改進(jìn)MCNN提取行人頭部坐標(biāo)點(diǎn)，再通過坐標(biāo)點(diǎn)計(jì)算群體間的人群平均動能、人群密度值以及人群分布熵3種動態(tài)的群體運(yùn)動狀態(tài)特征值，最后再將特征值送入到DE-PSO-ELM中進(jìn)行異常分類，準(zhǔn)確率達(dá)到97.69%。文獻(xiàn)[4]和文獻(xiàn)[7]都是通過提取外觀和運(yùn)動兩種特征，再進(jìn)行建模，最后進(jìn)行異常檢測分類。文獻(xiàn)[10]通過嵌套mlpconv層改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)提取前景目標(biāo)，再將學(xué)習(xí)到的特征輸入到softmax分類器進(jìn)行異常行為檢測。

3 結(jié)束語

本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)的人群突散異常行為檢測方法，通過改進(jìn)的MCNN提取待檢測視頻中行人的頭部坐標(biāo)點(diǎn)，再根據(jù)坐標(biāo)點(diǎn)計(jì)算本文定義的3種人群運(yùn)動狀態(tài)特征值，減少計(jì)算量，加快運(yùn)算速度。最后再將人群運(yùn)動狀態(tài)特征值送入DE-PSO-ELM分類模型中進(jìn)行異常分類。在UMN數(shù)據(jù)集中幾個(gè)場景下的實(shí)驗(yàn)結(jié)果表明，該方法對人群中異常突散行為檢測較為準(zhǔn)確、快速。