基于參數(shù)自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的人體異常行為檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于參數(shù)自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的人體異常行為檢測(cè)方法。本發(fā)明是基于一種雙層神經(jīng)網(wǎng)絡(luò)，即生長(zhǎng)式神經(jīng)氣體模型，利用其靈活“生長(zhǎng)”的優(yōu)勢(shì)對(duì)場(chǎng)景中的可變行為模式進(jìn)行學(xué)習(xí)和建模。本發(fā)明針對(duì)其因固定參數(shù)無法實(shí)現(xiàn)自適應(yīng)調(diào)整的問題進(jìn)行了重要改進(jìn)，提出了針對(duì)氣體神經(jīng)元生長(zhǎng)、學(xué)習(xí)、刪除等過程中的模型參數(shù)自適應(yīng)調(diào)整方法。在模型用于判斷行為是否異常時(shí)，本發(fā)明提出了基于雙層高斯平滑窗的判斷方法，實(shí)現(xiàn)多變場(chǎng)景中的快速的異常行為判別。
【專利說明】
基于參數(shù)自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的人體異常行為檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于機(jī)器視覺的運(yùn)動(dòng)目標(biāo)分析領(lǐng)域，也屬于智能視頻監(jiān)控領(lǐng)域。本發(fā)明具 體涉及一種基于競(jìng)爭(zhēng)生長(zhǎng)式神經(jīng)網(wǎng)絡(luò)的參數(shù)自調(diào)節(jié)方法，此方法通過自調(diào)節(jié)參數(shù)對(duì)可視范 圍內(nèi)的人體行為進(jìn)行自適應(yīng)學(xué)習(xí)和建模，并實(shí)時(shí)檢測(cè)異常行為，屬于高層的運(yùn)動(dòng)目標(biāo)分析 范疇。
【背景技術(shù)】
[0002] 視頻中的運(yùn)動(dòng)目標(biāo)分析是機(jī)器視覺領(lǐng)域的重要課題，同時(shí)也是近年來備受關(guān)注的 前沿研究方向之一。它在智能監(jiān)控、人機(jī)交互、虛擬現(xiàn)實(shí)、基于內(nèi)容的視頻檢索與編碼等領(lǐng) 域具有重要的理論研究意義和應(yīng)用前景。其主要內(nèi)容就是通過對(duì)視頻數(shù)據(jù)中包含的人體目 標(biāo)運(yùn)動(dòng)信息進(jìn)行特征提取和模式識(shí)別來理解所包含的運(yùn)動(dòng)類別和意圖，它涵蓋了圖像處 理、計(jì)算機(jī)視覺、模式識(shí)別與人工智能等多個(gè)學(xué)科。
[0003] 異常行為檢測(cè)屬于運(yùn)動(dòng)目標(biāo)分析，也是智能監(jiān)控系統(tǒng)的重要研究目標(biāo)之一。目前 較為前沿和主流的方法主要是基于穩(wěn)定場(chǎng)景中運(yùn)動(dòng)建模的方法，其優(yōu)點(diǎn)在于可利用當(dāng)前場(chǎng) 景中大量的觀察逐漸學(xué)習(xí)到正常行為模型作為檢測(cè)基準(zhǔn)，高效并且在一定情況下的抗干擾 能力強(qiáng)。其缺點(diǎn)是所學(xué)習(xí)到的模型對(duì)場(chǎng)景信息和場(chǎng)景內(nèi)容依賴性較強(qiáng)，可移植性差，對(duì)于復(fù) 雜多變的戶外場(chǎng)景或者相機(jī)移動(dòng)的場(chǎng)景的有較大局限性?？勺儓?chǎng)景建模要求模型本身具有 模式適應(yīng)性，即模型的具體參數(shù)可以根據(jù)觀察到的實(shí)際數(shù)據(jù)實(shí)時(shí)調(diào)整，學(xué)習(xí)到場(chǎng)景中固有 或常見的正常行為模式。
[0004]在低噪聲環(huán)境下獲取的視頻中進(jìn)行運(yùn)動(dòng)檢測(cè)和識(shí)別已經(jīng)可以達(dá)到較高的識(shí)別效 率，但是針對(duì)實(shí)際環(huán)境中的視頻，人體運(yùn)動(dòng)描述和異常行為識(shí)別仍然面臨很多難題，如人體 遮擋、視頻模糊、拍攝視角變化等，所需要解決的問題就變得更加復(fù)雜。這就更加要求人體 運(yùn)動(dòng)特征提取和建模方法本身具有強(qiáng)大的表征能力和區(qū)分能力，可以在復(fù)雜的環(huán)境中學(xué)習(xí) 到少見或者異常的人體行為模式。
[0005] 傳統(tǒng)的離線學(xué)習(xí)的方法通過大量的行為樣本訓(xùn)練分類器，然后再對(duì)視頻中獲取的 運(yùn)動(dòng)特征進(jìn)行識(shí)別。一般通過迭代學(xué)習(xí)訓(xùn)練分類器和優(yōu)化分類器參數(shù)(如支持向量機(jī)SVM) 是較為耗時(shí)的，異常行為常常是在短時(shí)間發(fā)生的，利用分類器識(shí)別較難滿足快速實(shí)時(shí)判斷 的系統(tǒng)要求。這就要求模型本省具有很高的異常判斷能力，也就是說需要利用常用的距離 算子即可判斷新特征的異常值是否達(dá)到了異常閾值。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是實(shí)現(xiàn)多變場(chǎng)景中的異常人體行為檢測(cè)。本發(fā)明是基于一種雙層神 經(jīng)網(wǎng)絡(luò)--生長(zhǎng)式神經(jīng)氣體模型(Growing Neural Gas,GNG)，利用其靈活"生長(zhǎng)"的優(yōu)勢(shì)對(duì) 場(chǎng)景中的可變行為模式進(jìn)行學(xué)習(xí)和建模。本發(fā)明針對(duì)其因固定參數(shù)無法實(shí)現(xiàn)自適應(yīng)調(diào)整的 問題進(jìn)行了重要改進(jìn)，提出了針對(duì)氣體神經(jīng)元生長(zhǎng)、學(xué)習(xí)、刪除等過程中的模型參數(shù)自適應(yīng) 調(diào)整方法。在模型用于判斷行為是否異常時(shí)，本發(fā)明提出了基于雙層高斯平滑窗的判斷方 法，實(shí)現(xiàn)快速的異常行為判別。
[0007] 1 .GNG模型參數(shù)自適應(yīng)調(diào)節(jié)方法
[0008]分析GNG模型的建立過程，其氣體神經(jīng)元在插入、學(xué)習(xí)和刪除過程中涉及到的參 數(shù)，如插入條件中的閾值、學(xué)習(xí)速率和學(xué)習(xí)范圍參數(shù)、刪除條件中的閾值，通常都是固定參 數(shù)，不受環(huán)境變化的影響，無法實(shí)現(xiàn)環(huán)境自適應(yīng)調(diào)整。這不利于模型在多場(chǎng)景或變場(chǎng)景中的 實(shí)際應(yīng)用。本發(fā)明利用對(duì)環(huán)境中觀察到的實(shí)際數(shù)據(jù)對(duì)GNG模型的各個(gè)重要學(xué)習(xí)參數(shù)進(jìn)行自 適應(yīng)的調(diào)整，分別針對(duì)神經(jīng)元插入、學(xué)習(xí)、刪除三個(gè)重要步驟提出了三個(gè)基于鄰域神經(jīng)元分 布情況的閾值調(diào)整算法。具體來說：
[0009] (1)針對(duì)插入過程，本發(fā)明設(shè)計(jì)了兩個(gè)自適應(yīng)閾值，分別稱為內(nèi)部插入閾值和外部 插入閾值，用于控制外來神經(jīng)元的適時(shí)插入操作。
[0010] (2)針對(duì)學(xué)習(xí)過程，本發(fā)明提出了實(shí)時(shí)調(diào)整學(xué)習(xí)速率的算法，根據(jù)新輸入特征與其 最近鄰神經(jīng)元的距離確定調(diào)整幅度。
[0011] (3)針對(duì)刪除過程，本發(fā)明通過定義一個(gè)密度算子確定所需刪除的神經(jīng)元周圍的 網(wǎng)絡(luò)分布情況，接著計(jì)算每個(gè)待刪除神經(jīng)元的平均累積分?jǐn)?shù)，在網(wǎng)絡(luò)較為穩(wěn)定時(shí)平均累積 分?jǐn)?shù)低于平均水平且密度計(jì)算結(jié)果排位靠后的神經(jīng)元將會(huì)被刪除。依次，本發(fā)明對(duì)上述GNG 神經(jīng)網(wǎng)絡(luò)的三個(gè)重要步驟中包含的重要參數(shù)設(shè)計(jì)了自適應(yīng)的調(diào)整策略。
[0012] 2.基于雙層高斯平滑窗的異常判斷方法
[0013] 由于本發(fā)明旨在檢測(cè)視頻中包含的異常人體行為，對(duì)系統(tǒng)實(shí)時(shí)性的要求較高。一 般的分類器方法不適用。本發(fā)明提出了采用雙層高斯平滑窗的異常判斷方法，首先對(duì)輸入 的檢測(cè)得到的局部特征序列進(jìn)行異常類別判斷，定義其中離正常模式距離超過平均水平的 特征為異常特征(第一層高斯平滑窗），接著對(duì)異常特征的數(shù)量進(jìn)行統(tǒng)計(jì)計(jì)算，將超過平均 值的數(shù)量所引起的事件定義為異常事件(第二層高斯平滑窗）。
[0014] 本發(fā)明的基于參數(shù)自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的人體異常行為檢測(cè)方法中，模型參數(shù)的自動(dòng) 學(xué)習(xí)使得模型對(duì)多變的監(jiān)控場(chǎng)景具有更強(qiáng)的適應(yīng)性，通過基于雙層高斯平滑窗的判斷方 法，能夠?qū)崿F(xiàn)快速的異常行為判別。
【附圖說明】
[0015] 圖1是本發(fā)明的插入外部神經(jīng)元的示意圖：（a)當(dāng)新的觀察數(shù)據(jù)x輸入時(shí)，如果x與 S1之間的歐氏距離大于S1的閾值巧，（b)那么將x作為新的網(wǎng)絡(luò)節(jié)點(diǎn)，并入網(wǎng)絡(luò)A，生成新的網(wǎng) 絡(luò)A，。
[0016] 圖2是本發(fā)明的局部特征點(diǎn)檢測(cè)效果圖（UMN數(shù)據(jù)庫(kù)）：分別展示了在UMN數(shù)據(jù)庫(kù)的 三個(gè)場(chǎng)景視頻中檢測(cè)到的局部運(yùn)動(dòng)點(diǎn);其中第一排是正常運(yùn)動(dòng)，第二排是異常慌亂運(yùn)動(dòng)。
[0017] 圖3是本發(fā)明的異常行為檢測(cè)效果圖(UCSD Pedl數(shù)據(jù)庫(kù)）：框中是本不應(yīng)該出現(xiàn)在 人行道上的異常行為，如騎自行車和開車經(jīng)過。
[0018] 圖4是本發(fā)明的異常行為檢測(cè)效果圖（Avenue數(shù)據(jù)庫(kù)）：框中是本不應(yīng)該出現(xiàn)在地 鐵站進(jìn)站口的異常行為，如向空中投擲紙張和快速奔跑經(jīng)過。
【具體實(shí)施方式】
[0019] 下面通過具體實(shí)施例和附圖，對(duì)本發(fā)明做進(jìn)一步說明。
[0020] 1、特征點(diǎn)的檢測(cè)
[0021] 本發(fā)明的特征點(diǎn)提取部分采用的是基于如下的時(shí)空Gabor濾波器組得到的局部運(yùn) 動(dòng)點(diǎn)。這是一種基于周期性運(yùn)動(dòng)的運(yùn)動(dòng)點(diǎn)檢測(cè)方法，利用2D空間高斯平滑核函數(shù)g外加一對(duì) 1D時(shí)間高斯核函數(shù)h^hod(公式(2)和(3))構(gòu)造了三維響應(yīng)函數(shù)R(公式（1))。所要獲取的興 趣點(diǎn)的個(gè)數(shù)是通過手動(dòng)調(diào)整兩個(gè)核函數(shù)的尺度參數(shù)來進(jìn)行設(shè)定的。本發(fā)明中的運(yùn)動(dòng)點(diǎn)檢測(cè) 是在某一固定尺度參數(shù)下進(jìn)行的。下面公式中，I表示輸入的圖像幀，t表示當(dāng)前輸入的圖像 的時(shí)間節(jié)點(diǎn)，t表示時(shí)間尺度參數(shù)，co表示空間尺度參數(shù)。
[0022] R=(I*g*hev)2+(I*g*h〇d)2 (1)
[hji;z.(0) = -cos(2/r/^)c; ( ' (2)
[0023] ^ ,
[hii,(l；T,0j) = -sin(2/r!(0)e ! ' (3)
[0024] 2、特征點(diǎn)的局部特征描述
[0025]檢測(cè)得到局部運(yùn)動(dòng)點(diǎn)之后，將所有的點(diǎn)的局部區(qū)域的描述作為該點(diǎn)的局部特征， 本發(fā)明所使用的局部特征是3D-SIFT特征(其他局部運(yùn)動(dòng)特征也可作為此處的基本特征，如 稠密軌跡特征），具體的計(jì)算過程如下：
[0026]在點(diǎn)p(x，y;t)周圍取2*2*2的像素模塊，采用下面公式對(duì)其梯度極坐標(biāo)進(jìn)行計(jì)算， 其中m3D表示梯度幅值，0表示的是2D梯度方向角，巾表示極坐標(biāo)系下目標(biāo)向量向2D梯度方向 的偏向角，L x、Ly、Lt分別表示有限差分逼近的簡(jiǎn)化表示算子，例如Lx = L(x+l，y，t)-L(x-l， y，t))，以此類推計(jì)算其他差分算子，再根據(jù)如下公式計(jì)算相應(yīng)的三種特征量，即可得到局 部特征向量X。
[0030] 3、GNG神經(jīng)網(wǎng)絡(luò)的外部神經(jīng)元插入過程
[0031]局部特征向量x輸入之后，在已有的神經(jīng)網(wǎng)絡(luò)神經(jīng)元中利用下面的公式(7)和（8) 找到最近的神經(jīng)元S1和第二最近的神經(jīng)元S2 :
[0032] = argIi x-wJ|2 (7)
[0033] =argmins,eMli,, II x-wjla (8)
[0034] 其中，s表示全體神經(jīng)元的集合d中的任一神經(jīng)元，Ws表示神經(jīng)元x的權(quán)重。接著，判 斷特征向量X與神經(jīng)元S1 (或神經(jīng)元S2)的距離是否超過閾值尤，（或&)，即判斷下式是否成 立：
[0035] {I! x-wj|2 >r }v{|| x-wJ2>TJ (9)
[0036] 以神經(jīng)元幻為例，其閾值；的定義如下：如果神經(jīng)元S1有直接相連的神經(jīng)元鄰居， 那么閾值& II 其中X,表示與神經(jīng)元對(duì)直接相連的鄰居神經(jīng)元集合； 如果神經(jīng)元S1沒有直接相連的神經(jīng)元鄰居，那么可以定義7； = II Wq -w"ll2。在此 定義下，如果公式（9)成立，那么此時(shí)需要在網(wǎng)絡(luò)中插入外部神經(jīng)元x。插入步驟如下： ,.4 :="4 u?丨v丨.，wx=x，nnew: =nnew+l，1_:=11 :x-wi:|li2 b其中又表示全體神經(jīng)元的集合，Wx表示神 經(jīng)元x的權(quán)重，nnew表示當(dāng)前學(xué)習(xí)周期中新插入的神經(jīng)元個(gè)數(shù)，Tx表示當(dāng)前新節(jié)點(diǎn)的外部神 經(jīng)元的插入閾值。
[0037] 圖1是本發(fā)明的插入外部神經(jīng)元的示意圖，其中（a)圖為插入前的距離判斷，（b)圖 為插入后的位置分布。圖中A表示插入前的神經(jīng)元網(wǎng)絡(luò)，A'表示插入外部神經(jīng)元之后的網(wǎng) 絡(luò)，i和j表示當(dāng)前輸入向量的最近神經(jīng)元si的鄰居神經(jīng)元，L表示當(dāng)前輸入向量到si的歐氏 距離，氣表示 81的當(dāng)前累積誤差，A ei表示前期輸入向量1帶來的誤差，A仍表示前期輸入向 量2帶來的誤差，A e3表示前期輸入向量3帶來的誤差，Tx =+°°表示新的外部插入神經(jīng)元的 初始的外部神經(jīng)元插入閾值為無窮大，圖中數(shù)字1、2、3表示在當(dāng)前輸入向量x之前的被81內(nèi) 部學(xué)習(xí)掉的輸入向量。
[0038] 接著判斷神經(jīng)元81和神經(jīng)元82之間是否存在直接相連的邊，如果不存在，則添加一 條直接相連的邊，也就是::c := C u &)丨，其中:c_表示全體神經(jīng)元的邊集合。
[0039] 4、GNG神經(jīng)網(wǎng)絡(luò)的神經(jīng)元學(xué)習(xí)過程
[0040] 對(duì)于上步驟中輸入的特征向量X，將其與最近的神經(jīng)元81之間的歐氏距離作為誤 差累積到神經(jīng)元81的誤差變量中，也就是：
[0041 ] ^ ：=bsi+|| -x|l2 (10)
[0042]接著，根據(jù)下面的公式（11-14)更新神經(jīng)元81的平均累積分?jǐn)?shù)
[0047] 其中上述四個(gè)公式中表示兩兩神經(jīng)元的平均距離，scorei表示神經(jīng)元i的當(dāng) 前得分，aSl表示K個(gè)周期的累計(jì)分?jǐn)?shù)，況是神經(jīng)元i的全部鄰居神經(jīng)元的集合，K代表的是學(xué) 習(xí)迭代的周期數(shù)，對(duì)旨的是每個(gè)周期中所輸入的特征向量的個(gè)數(shù)(每個(gè)周期中的A都相等）。 [0048]下面通過調(diào)整神經(jīng)元自身權(quán)重來學(xué)習(xí)輸入特征向量所代表的模式。調(diào)整方法如 下：
[0049 ] Wj. := WS] + eJtyH- ll2 (15)
[0050] wB := wn + en(t)-\\ x~wnll2,V/? e (16)
[0051] 其中表示的是與神經(jīng)元S1直接相連的鄰居神經(jīng)元集合。另外，神經(jīng)元81的學(xué)習(xí) 速率和鄰居神經(jīng)元的學(xué)習(xí)速率^^))的定義分別如下面公式(17)和(18):
MS1(0代表的是截止到當(dāng)前的時(shí) 間節(jié)點(diǎn)t時(shí)以S1為最近神經(jīng)元的輸入特征向量的個(gè)數(shù)，Mn(t)表示截止到當(dāng)前的時(shí)間節(jié)點(diǎn)t時(shí) 以n為最近神經(jīng)元的輸入特征向量的個(gè)數(shù)。這種調(diào)整方法使得當(dāng)前學(xué)習(xí)速率可以受到輸入 模式的良性的自動(dòng)調(diào)整。
[0055] 5、GNG神經(jīng)網(wǎng)絡(luò)的內(nèi)部神經(jīng)元插入過程
[0056]在上述學(xué)習(xí)過程中若判斷當(dāng)前幀上觀察到的全部特征向量已經(jīng)學(xué)習(xí)完畢，那么在 GNG網(wǎng)絡(luò)的累積誤差最大的位置周圍插入一個(gè)內(nèi)部神經(jīng)元，插入方法如下：
[0057] (1)找到當(dāng)前誤差變量最大的神經(jīng)元q，其對(duì)應(yīng)的誤差變量也就是eq;
[0058] (2)在神經(jīng)元q的鄰居神經(jīng)元集合A/；中找到含最大誤差變量的鄰居神經(jīng)元f，其對(duì) 應(yīng)的誤差變量也就是e f;
[0059] (3)在神經(jīng)元q和f之間插入一個(gè)新的內(nèi)部神經(jīng)元r，建立r到兩個(gè)神經(jīng)元之間的連 接邊:c:=.C.U (/，/):}..，刪除兩個(gè)神經(jīng)元之間原始的連接邊:c:=_C\{(f，/):}。將神經(jīng)元r 的誤差變量er和平均累計(jì)分?jǐn)?shù)^:分別初始化為:％和：；。
[0060] (4)按照一定比例a縮小神經(jīng)元q和f的誤差變量:eq: =aeq;ef: =aef。同時(shí)，按照另 一個(gè)比例丫縮小神經(jīng)元q和f的平均累計(jì)分?jǐn)?shù):。
[0061 ] 6、GNG神經(jīng)網(wǎng)絡(luò)的神經(jīng)元?jiǎng)h除過程
[0062] 本發(fā)明中神經(jīng)元的刪除條件分兩種：一是為空時(shí)的初始情況(其中，^:表示 平均累計(jì)分?jǐn)?shù)的閾值）；二是i已經(jīng)有實(shí)際值的情況。本發(fā)明通過計(jì)算一個(gè)實(shí)時(shí)的值E sll (t )與已存儲(chǔ)的閾值Ethr (此閾值是人為設(shè)定的一個(gè)較小的值，如0.0001，可根據(jù)局部特征的 平均距離大小來適當(dāng)調(diào)整，距離越大，閾值越大)比較大小來判斷網(wǎng)絡(luò)學(xué)習(xí)是否成熟。
[0063] (1)當(dāng)為空時(shí)，根據(jù)下面四個(gè)公式計(jì)算Esii(t):
[0065]其中的Sil(t)表示當(dāng)前網(wǎng)絡(luò)的成熟度，％4(0表示當(dāng)前網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，表 示將i作為最近神經(jīng)元的輸入向量的個(gè)數(shù);兩個(gè)距離項(xiàng)的計(jì)算如下：
[0068] Esii(t)的計(jì)算如下：
[0069] Esii(t)=Sil(t)-Sil(t-l) (22)
[0070]計(jì)算完畢之后，判斷如果Esll(t)彡Ethr成立，那么將網(wǎng)絡(luò)中現(xiàn)有的神經(jīng)元按照其平 均累積分?jǐn)?shù)進(jìn)行降序排列，將排在末尾的一個(gè)神經(jīng)元?jiǎng)h除，并刪除其所有直接相連的邊。如 果Esll(t)<E thr，那么將網(wǎng)絡(luò)中現(xiàn)有的神經(jīng)元按照其平均累積分?jǐn)?shù)進(jìn)行降序排列，刪除末尾 起倒數(shù)nnew個(gè)神經(jīng)元，及其所有直接相連的邊。
[0071 ] (2)當(dāng)不為空時(shí)，同樣根據(jù)公式（19-22)計(jì)算Esii(t)。判斷如果Esii(t)彡Ethr， 那么將所有神經(jīng)元的平均累計(jì)分?jǐn)?shù)與^；作比較，刪除平均累計(jì)分?jǐn)?shù)比小的所有神經(jīng) 元及其所有直接相連的邊。如果Esll(t)<Ethr，回到上一種情況(1)執(zhí)行（1)中的操作。
[0072] 7、GNG神經(jīng)網(wǎng)絡(luò)訓(xùn)練用于異常行為檢測(cè)的方法(異常事件閾值的定義）
[0073] 當(dāng)新的人體運(yùn)動(dòng)特征向量被觀察到，按照上述六個(gè)步驟訓(xùn)練整個(gè)網(wǎng)絡(luò)，并實(shí)時(shí)返 回當(dāng)前學(xué)習(xí)到的神經(jīng)元集合和邊集合作為正常行為的模型。異常檢測(cè)的測(cè)試程序開啟時(shí)， 本發(fā)明采用雙層高斯平滑窗的異常判斷方法，首先對(duì)輸入的檢測(cè)得到的局部特征序列進(jìn)行 異常類別判斷，定義其中離正常模式距離超過平均水平的特征為異常特征(第一層高斯平 滑窗），接著對(duì)異常特征的數(shù)量進(jìn)行統(tǒng)計(jì)計(jì)算，將超過平均值的數(shù)量所引起的事件定義為異 常事件(第二層高斯平滑窗）。
[0074] 具體來說，第一層判斷異常特征的閾值定義如下：
[0075] ^overflowing ~ ^feature ^ feature (23)
[0076]其中l(wèi)ifeature表示輸入特征向量集合的均值，Ofeature表示輸入特征向量集合的方差。 [0077]判斷為異常特征之后，對(duì)這一群體進(jìn)行數(shù)量的判斷，得到第二層判斷異常時(shí)間的 閾值，具體定義如下：
[0078] ^mtomaly - ^overfiawing ' ^y^aver/lgwing (24)
[0079] 其中iWerflowing表示異常特征的平均數(shù)量，〇_rfl?ing表示異常特征數(shù)量變化的方 差。
[0080] 當(dāng)判斷最終的異常特征的數(shù)量超過上述公式(24)中計(jì)算的異常事件閾值than_ly 時(shí)，即可判斷為異常事件發(fā)生，給出報(bào)警。
[0081] 圖2是本發(fā)明的局部特征點(diǎn)檢測(cè)效果圖（UMN數(shù)據(jù)庫(kù)）：其中（a)、（b)、（c)分別展示 了在UMN數(shù)據(jù)庫(kù)的三個(gè)場(chǎng)景視頻中檢測(cè)到的局部運(yùn)動(dòng)點(diǎn);其中第一排是正常運(yùn)動(dòng)，第二排是 異?；艁y運(yùn)動(dòng)。
[0082]圖3是本發(fā)明的異常行為檢測(cè)效果圖（UCSD Pedl數(shù)據(jù)庫(kù)），其中（a)圖表示在人行 道上出現(xiàn)的滑板運(yùn)動(dòng)，屬于異常行為，（b)圖表示本不應(yīng)該在人行道上出現(xiàn)的騎自行車，屬 于異常行為，（c)圖表示檢測(cè)到的有人橫跨草坪，屬于異常行為，（d)圖表示本不應(yīng)該在人行 道上出現(xiàn)的車輛開過，屬于異常行為?？梢钥闯?，本發(fā)明提出的算法可以較為魯棒的檢測(cè)出 監(jiān)控場(chǎng)景中的異常行為。
[0083] 圖4是本發(fā)明的異常行為檢測(cè)效果圖（Avenue數(shù)據(jù)庫(kù)），本不應(yīng)該出現(xiàn)在地鐵站進(jìn) 站口的異常行為：（a)圖表示向空中投擲紙張，（b)圖表示快速奔跑?？梢钥闯觯景l(fā)明提出 的算法可以較為魯棒的檢測(cè)出監(jiān)控場(chǎng)景中的異常行為。
[0084] 以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非對(duì)其進(jìn)行限制，本領(lǐng)域的普通技術(shù) 人員可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明的精神和范圍，本 發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求書所述為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于參數(shù)自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的人體異常行為檢測(cè)方法，其步驟包括： 1) 建立生長(zhǎng)式神經(jīng)氣體模型，對(duì)氣體神經(jīng)元在插入、學(xué)習(xí)和刪除過程中設(shè)及到的模型 參數(shù)進(jìn)行自適應(yīng)調(diào)整，包括： 針對(duì)插入過程，通過兩個(gè)自適應(yīng)闊值，即內(nèi)部插入闊值和外部插入闊值，控制外來神經(jīng) 元的適時(shí)插入操作； 針對(duì)學(xué)習(xí)過程，根據(jù)新輸入特征與其最近鄰神經(jīng)元的距離確定學(xué)習(xí)速率的調(diào)整幅度； 針對(duì)刪除過程，通過定義密度算子確定所需刪除的神經(jīng)元周圍的網(wǎng)絡(luò)分布情況，接著 計(jì)算每個(gè)待刪除神經(jīng)元的平均累積分?jǐn)?shù)，將平均累積分?jǐn)?shù)低于平均水平且密度計(jì)算結(jié)果排 位靠后的神經(jīng)元?jiǎng)h除； 2) 通過所述生長(zhǎng)式神經(jīng)氣體模型對(duì)視頻中的人體行為進(jìn)行檢測(cè)，采用雙層高斯平滑窗 的判斷方法實(shí)現(xiàn)人體異常行為判別。2. 如權(quán)利要求1所述的方法，其特征在于，所述雙層高斯平滑窗的判斷方法是：首先對(duì) 輸入的檢測(cè)得到的局部特征序列進(jìn)行異常類別判斷，定義其中離正常模式距離超過平均水 平的特征為異常特征;接著對(duì)異常特征的數(shù)量進(jìn)行統(tǒng)計(jì)計(jì)算，將超過平均值的數(shù)量所引起 的事件定義為異常事件。3. 如權(quán)利要求1或2所述的方法，其特征在于:在檢測(cè)特征點(diǎn)時(shí)，采用時(shí)空Gabor濾波器 組得到局部運(yùn)動(dòng)點(diǎn)，得到局部運(yùn)動(dòng)點(diǎn)之后，將所有的點(diǎn)的局部區(qū)域的描述作為該點(diǎn)的局部 特征。4. 如權(quán)利要求3所述的方法，其特征在于:所述局部特征是3D-SIFT特征。5. 如權(quán)利要求1或2所述的方法，其特征在于，步驟1)中神經(jīng)網(wǎng)絡(luò)的外部神經(jīng)元插入過 程是： a) 局部特征向量X輸入之后，在已有的神經(jīng)網(wǎng)絡(luò)神經(jīng)元中找到最近的神經(jīng)元Si和第二最 近的神經(jīng)元S2^中，S表示全體神 經(jīng)元的集合八中的任一神經(jīng)元，Ws表示神經(jīng)元X的權(quán)重； b) 判斷特征向量X與神經(jīng)元Sl或神經(jīng)元S2的距離是否超過闊值馬,或，即判斷 V >2；詣否成立，如果成立則在網(wǎng)絡(luò)中插入外部神經(jīng)元X; C)判斷神經(jīng)元Sl和神經(jīng)元S2之間是否存在直接相連的邊，如果不存在，則添加一條直接 相連的邊，也就是:C:=Cu化，.S，)}，其中C表示全體神經(jīng)元的邊集合。6. 如權(quán)利要求5所述的方法，其特征在于，步驟1)中神經(jīng)網(wǎng)絡(luò)的神經(jīng)元學(xué)習(xí)過程是:對(duì) 于輸入的特征向量X，將其與最近的神經(jīng)元Sl之間的歐氏距離作為誤差累積到神經(jīng)元Sl的誤 差變量中；然后更新神經(jīng)元Si的平均累積分?jǐn)?shù)然后通過調(diào)整神經(jīng)元自身權(quán)重來學(xué)習(xí)輸 入特征向量所代表的模式。7. 如權(quán)利要求6所述的方法，其特征在于，在學(xué)習(xí)過程中若判斷當(dāng)前帖上觀察到的全部 特征向量已經(jīng)學(xué)習(xí)完畢，那么在神經(jīng)網(wǎng)絡(luò)的累積誤差最大的位置周圍插入一個(gè)內(nèi)部神經(jīng) 元，插入方法如下： a) 找到當(dāng)前誤差變量最大的神經(jīng)元q，其對(duì)應(yīng)的誤差變量也就是eq; b) 在神經(jīng)元q的鄰居神經(jīng)元集合A/；中找到含最大誤差變量的鄰居神經(jīng)元f，其對(duì)應(yīng)的誤 差變量也就是ef; C)在神經(jīng)元q和f之間插入一個(gè)新的內(nèi)部神經(jīng)元r，建立r到兩個(gè)神經(jīng)元之間的連接邊： C:=CU府，叫，(/-，/)}，刪除兩個(gè)神經(jīng)元之間原始的連接邊:C:=C\{((/，/)!;將神經(jīng)元r的誤 差變量er和平均累計(jì)分?jǐn)?shù)心分別初始化為:eq和;與： d)按照一定比例a縮小神經(jīng)元q和f的誤差變量:eq: =aeq;ef: =aef;同時(shí)，按照另一個(gè)比 例丫縮小神經(jīng)元q和f的平均累計(jì)分?jǐn)?shù):佩化V, :=;/化V,。8. 如權(quán)利要求7所述的方法，其特征在于，步驟1)中神經(jīng)元的刪除條件分兩種：一是平 均累計(jì)分?jǐn)?shù)的闊值品；；：為空時(shí)的初始情況;二是品;^已經(jīng)有實(shí)際值的情況;通過計(jì)算一個(gè) 實(shí)時(shí)的值Esil(t)與已存儲(chǔ)的闊值Ethr比較大小來判斷網(wǎng)絡(luò)學(xué)習(xí)是否成熟，包括如下步驟： a) 當(dāng)兩;；為空時(shí)，如果EsiiU杉Ethr成立，那么將網(wǎng)絡(luò)中現(xiàn)有的神經(jīng)元按照其平均累積 分?jǐn)?shù)進(jìn)行降序排列，將排在末尾的一個(gè)神經(jīng)元?jiǎng)h除，并刪除其所有直接相連的邊;如果Esii (t)<Ethr，那么將網(wǎng)絡(luò)中現(xiàn)有的神經(jīng)元按照其平均累積分?jǐn)?shù)進(jìn)行降序排列，刪除末尾起倒 數(shù)nnew個(gè)神經(jīng)元，及其所有直接相連的邊； b) 當(dāng)^不為空時(shí)，如果Esii(t)>Ethr，那么將所有神經(jīng)元的平均累計(jì)分?jǐn)?shù)與品;作比 較，刪除平均累計(jì)分?jǐn)?shù)比品;T小的所有神經(jīng)元及其所有直接相連的邊;如果Esil(t)<Ethr， 回到上一種情況a)執(zhí)行a)中的操作。9. 如權(quán)利要求2所述的方法，其特征在于，步驟2)中，第一層判斷異常特征的闊值定義 為：姨。帕哦-'科/頌"巧 + 細(xì)昨，其中Ufeature表不輸入特化向里集合的均值，Ofeature表不輸 入特征向量集合的方差;判斷為異常特征之后，對(duì)運(yùn)一群體進(jìn)行數(shù)量的判斷，得到第二層判 斷異常時(shí)間的闊值，其具體定義為 :巧柳函.幻/V _ 叫。VerfUwin客千 ^"sj^overlJowmg，其中 I^overf lowing灰小升 常特征的平均數(shù)量，CWrflDWing表示異常特征數(shù)量變化的方差；當(dāng)判斷最終的異常特征的數(shù) 量超過異常事件闊值thanomaly時(shí)，即可判斷為異常事件發(fā)生，給出報(bào)警。
【文檔編號(hào)】G06N3/08GK105913011SQ201610216333
【公開日】2016年8月31日
【申請(qǐng)日】2016年4月8日
【發(fā)明人】劉宏, 孫倩茹, 丁潤(rùn)偉
【申請(qǐng)人】北京大學(xué)深圳研究生院