程銘瑾

（福建開放大學職業(yè)學院 福建 福州 350001）

0 引言

在當今社會，隨著城市化的不斷推進和科技的飛速發(fā)展，視頻監(jiān)控系統(tǒng)已經(jīng)成為維護個人和社會安全的重要工具之一［1］。然而，傳統(tǒng)的視頻監(jiān)控系統(tǒng)往往僅僅能夠提供對靜態(tài)場景的觀測，對于動態(tài)場景下的異常行為檢測卻面臨著巨大的挑戰(zhàn)。因此，為了更加高效地應(yīng)對復(fù)雜多變的安全威脅，本研究提出了一種基于深度學習的視頻監(jiān)控異常行為檢測方法。

本研究通過構(gòu)建一個完整的視頻智能監(jiān)控系統(tǒng)總體框架，致力于實現(xiàn)對多樣化場景的全面監(jiān)測。該框架以實時性和準確性為核心目標，通過整合先進的技術(shù)，為后續(xù)的異常行為檢測奠定了堅實的基礎(chǔ)。為了更加精準地捕捉監(jiān)控畫面中的關(guān)鍵信息，本研究在目標檢測與跟蹤階段采用了深度學習的YOLO（you only look once）［2］目標檢測算法。該算法以其高效的實時性和精確的目標定位為視頻監(jiān)控系統(tǒng)提供了可靠的目標識別能力，從而為后續(xù)的異常行為分析提供了有力的支持。本研究的關(guān)鍵創(chuàng)新點在于，在動作識別階段采用了三維卷積神經(jīng)網(wǎng)絡(luò)（3-dimensional convolutional neural network， 3D-CNN）［3］，以更加全面地捕捉目標在時空上的演變規(guī)律。通過對視頻序列進行立體感知，該方法能夠更準確地捕捉人體動作的細微變化，為異常行為的早期識別提供了可靠的數(shù)據(jù)支撐。最后，為了驗證所提出方法的有效性，本研究進行了一系列實驗，并對實驗結(jié)果進行了分析。實驗結(jié)果充分證明了本方法在異常行為檢測方面的卓越性能，為未來智能視頻監(jiān)控系統(tǒng)的發(fā)展提供了有益的借鑒。

1 視頻智能監(jiān)控總體框架

本研究所提出的視頻監(jiān)控異常行為檢測方法的總體框架如圖1 所示，包括了視頻采集、目標檢測跟蹤、動作識別以及異常行為判斷等，以實現(xiàn)對監(jiān)測場景的全面而高效的分析。

圖1 視頻智能監(jiān)控的總體框架

首先，系統(tǒng)通過視頻采集模塊實時獲取監(jiān)測區(qū)域的畫面信息。其次，系統(tǒng)采用YOLO 算法對監(jiān)測畫面中的目標進行迅速而準確的識別與定位，該模塊不僅能夠有效檢測場景中的多個目標，而且能夠跟蹤它們在畫面中的運動軌跡，為后續(xù)的動作識別提供了可靠的基礎(chǔ)。最后，在目標檢測跟蹤的基礎(chǔ)上采用3D-CNN 實現(xiàn)動作識別，該模塊以視頻序列為輸入通過對時空信息的深度學習分析，能夠捕捉到目標在不同時間段內(nèi)的動作演變規(guī)律，實現(xiàn)對人體行為的高度敏感識別。在動作識別的基礎(chǔ)上，系統(tǒng)進一步判斷是否為特定的異常動作。若檢測到特定異常動作，則系統(tǒng)會立即產(chǎn)生預(yù)警信號；反之，如果未檢測到異常動作，則系統(tǒng)將繼續(xù)進行視頻采集，保持對監(jiān)測區(qū)域的全面監(jiān)視。

2 基于人工智能的異常行為檢測

2.1 基于YOLO 的目標檢測跟蹤方法

定義監(jiān)測區(qū)域為R，視頻幀序列為｛It｝，其中t表示時間。在YOLO 模型中，目標檢測和跟蹤是分開進行的。

YOLO 使用一個單一的神經(jīng)網(wǎng)絡(luò)，將目標檢測問題轉(zhuǎn)化為回歸問題。設(shè)D表示每個目標的邊界框坐標，C表示目標的類別，那么對于一個目標i， 其在圖像中的得分Pi可以表示為：

式（1）中，Pr（Ci） 是目標屬于某一類別的概率，IoU（Di，） 是目標框Di與真實框的交并比。模型的最終輸出是所有目標的得分矩陣P：

式（2）中，N是目標的數(shù)量。

在目標檢測的基礎(chǔ)上，本研究使用卡爾曼濾波器［4］實現(xiàn)目標跟蹤。設(shè)目標在時間t的狀態(tài)為St＝［xt，yt，wt，ht］，其中（xt，yt） 是目標中心的坐標，wt和ht分別是目標的寬和高，則卡爾曼濾波器的預(yù)測方法為：

式（3）、式（4）中，A是狀態(tài)轉(zhuǎn)移矩陣，Pt－1是時間t －1 時刻的狀態(tài)協(xié)方差矩陣，Q是過程噪聲的協(xié)方差矩陣。接著，可以通過觀測得到的目標位置更新狀態(tài)：

式（5）～式（7）中，H是觀測矩陣，R是觀測噪聲的協(xié)方差矩陣，O是在時間t時刻通過目標檢測得到的位置。

通過以上方法，YOLO 模型能夠在視頻監(jiān)控中實現(xiàn)對目標的準確檢測和魯棒跟蹤，為后續(xù)的行為分析提供了可靠的基礎(chǔ)。

2.2 基于三維卷積神經(jīng)網(wǎng)絡(luò)的動作識別

3D-CNN 是一種在時空域?qū)?shù)據(jù)進行卷積操作的深度學習模型，其結(jié)構(gòu)如圖2 所示。該結(jié)構(gòu)輸入層接收來自視頻的三維數(shù)據(jù)，卷積層使用卷積運算來提取特征，池化層用于減少輸出特征圖的大小同時保留重要的特征，全連接層將輸出特征圖轉(zhuǎn)換為一個標量值。

圖2 3D-CNN 的模型結(jié)構(gòu)

假設(shè)有一個視頻序列V， 其中每一幀圖片為Ft， 表示為：

式（8）中，T是視頻的幀數(shù)。為了進行動作識別引入了3D 卷積操作來考慮時序上鄰近幀之間的關(guān)系。設(shè)3D卷積核的大小為C×H×W，其中C為通道數(shù)，H和W分別為高度和寬度。在時序上，卷積核將沿時間軸滑動，從而捕捉到視頻中目標的時序特征。

動作識別的過程可以表示為在每個時間步t上，使用3D 卷積核對當前幀F(xiàn)t及其相鄰的若干幀進行卷積操作。假設(shè)輸出的特征圖為Mt，則該操作可以表達為：

式（9）中，?表示3D 卷積操作，σ是激活函數(shù)，W和b分別是卷積核的權(quán)重和偏置，Tk是卷積核的時間跨度，決定了網(wǎng)絡(luò)在時序上捕捉的信息量。通過3D 卷積的逐幀滑動，可以得到一系列時序上的特征圖｛M1，M2，…，MT｝，這些特征圖已經(jīng)融合了視頻序列中目標的時空信息。接下來，為了全局理解目標動作，可以使用全局平均池化（global average pooling，GAP）［5］對時序維度進行池化操作，得到整體的時序特征表示：

式（10）中，GAP 表示全局平均池化操作。通過這一過程，得到了對整個視頻序列進行時空建模的時序特征表示Mglobal，最后，將該時序特征表示輸入到全連接層進行分類，得到視頻中目標的動作類別預(yù)測P：

式（11）中，Softmax 是用于產(chǎn)生概率分布的激活函數(shù)，Wfc和bfc分別是全連接層的權(quán)重和偏置。通過上述過程，3D-CNN 能夠從時空維度上學習到視頻中目標的動作信息，實現(xiàn)了對目標在視頻序列中的動作識別。

3 實驗與分析

3.1 數(shù)據(jù)集和開發(fā)環(huán)境

本研究采用A2D 數(shù)據(jù)集對所提方法進行測試，該數(shù)據(jù)集A2D 是用于視頻中的目標識別跟蹤與行為檢測的一個大型數(shù)據(jù)集，包含多種類型的動作、場景和運動模式，并且數(shù)據(jù)集的標注質(zhì)量較高，標注準確、完整。本研究采用的硬件和軟件配置如表1 所示。

表1 實驗配置

3.2 實驗方案設(shè)計

本實驗的實驗方案為：

（1）數(shù)據(jù)準備：下載A2D 數(shù)據(jù)集，并將數(shù)據(jù)集劃分為70%訓練集和30%測試集。

（2）搭建深度學習環(huán)境，安裝Python、TensorFlow、Keras 等深度學習框架。

（3）目標檢測與跟蹤：使用YOLO 模型對訓練集進行目標檢測與跟蹤，調(diào)整參數(shù)以適應(yīng)特定數(shù)據(jù)集。

（4）動作識別模型建立：設(shè)計并搭建3D-CNN 模型，用于視頻中目標的動作識別。

（5）使用訓練集對3D-CNN 模型進行訓練，調(diào)整參數(shù)以提高模型性能。

（6）模型融合與預(yù)測：將訓練好的YOLO 模型與3DCNN 模型進行融合，形成完整的異常行為檢測系統(tǒng)。

（7）使用測試集進行綜合測試。

3.3 結(jié)果與分析

本實驗的部分檢測結(jié)果如圖3 所示，圖3（a）是室內(nèi)場景中，一個寶寶正在奔跑，目標檢測結(jié)果準確并正確識別出其動作為“running”。圖3（b）和圖3（c）的目標檢測和動作識別也基本正確。圖3（d）是一個寶寶跌倒，目標檢測結(jié)果準確并正確識別出其動作為“rolling”。從上述實驗結(jié)果可以看出，該方法在正常情況下的目標檢測和動作識別方面表現(xiàn)良好，能夠準確檢測出目標和動作。在危險動作情況下，該方法也能夠正確識別出動作，即“寶寶摔倒了”?？傮w而言，該方法在目標檢測和動作識別方面取得了良好的效果，具有一定的應(yīng)用價值。

圖3 實驗結(jié)果

4 結(jié)語

本研究旨在解決視頻監(jiān)控系統(tǒng)中異常行為檢測的挑戰(zhàn)，通過融合YOLO 目標檢測與跟蹤以及3D-CNN 的方法，實現(xiàn)了對監(jiān)控場景中目標行為的全面感知。在實驗中，充分考慮了目標位置變化和動作時序的時空信息，構(gòu)建了一套完整的異常行為檢測系統(tǒng)。通過詳細的實驗設(shè)計與分析，驗證了所提方法的有效性和性能優(yōu)越性，為視頻監(jiān)控系統(tǒng)的智能化提供了有益的參考。未來的研究方向可包括引入更復(fù)雜的模型結(jié)構(gòu)、多模態(tài)信息的融合，以進一步提升系統(tǒng)性能。