無監(jiān)督學(xué)習(xí)的人體行為異常檢測研究

摘 要 人體行為的異常檢測一直是計(jì)算機(jī)領(lǐng)域的熱點(diǎn)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(shí)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(jìn)一步提高行為異常檢測的準(zhǔn)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(jìn)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(diǎn)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(jìn)行特征提取及聚類分析，從而達(dá)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(gè)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(diǎn)數(shù)據(jù)，將數(shù)據(jù)進(jìn)行處理并通過EM算法提取人體特征，對特征做整理并進(jìn)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(biāo)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(dá)到良好的聚類效果。

1AlphaPose人體姿態(tài)估計(jì)算法

AlphaPose是一種置信度較高的人體姿態(tài)估計(jì)算法，它的目標(biāo)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(diǎn)坐標(biāo)，直觀展示如圖1所示。

圖1? 人體姿態(tài)估計(jì)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(diǎn)x與y軸的坐標(biāo)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(gè)信息，但相對雜亂，因此根據(jù)數(shù)據(jù)本身的特點(diǎn)，建立了符合一定要求的隊(duì)列結(jié)構(gòu)，隊(duì)列有著先進(jìn)先出的特點(diǎn)，恰好符合我們對視頻流的要求。同時(shí)根據(jù)數(shù)據(jù)建立面向?qū)ο蟮母拍睿瑢?shí)例化多個(gè)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(gè)人可能在每一幀中都出現(xiàn)，也有可能會(huì)有新的人物進(jìn)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(gè)問題，本文對數(shù)據(jù)的表達(dá)形式做了新的處理?；谘芯繉ο鬄槿梭w的姿態(tài)，因此建立了姿態(tài)類包含多種屬性。同時(shí)，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(dòng)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(gè)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(dòng)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(jìn)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(gè)動(dòng)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(huì)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(dá)到最大迭代次數(shù)。同時(shí)選取一定時(shí)間段，定義少數(shù)人的動(dòng)作為行為異常，以到達(dá)識(shí)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(biāo)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(diǎn)：

（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(xì)節(jié)進(jìn)行改進(jìn)，通過大量理論研究及大量實(shí)驗(yàn)，對現(xiàn)有研究方法及模型進(jìn)行微調(diào)，從而以到達(dá)預(yù)期的、具有真正實(shí)用價(jià)值的異常行為檢測模型。

參考文獻(xiàn)

[1] 郁映卓.基于人體運(yùn)動(dòng)特征的異常行為檢測和姿態(tài)識(shí)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)。