• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進SSD的人群異常行為檢測算法研究

    2022-12-24 07:11:40潔,田野,楊
    紅外技術(shù) 2022年12期
    關(guān)鍵詞:特征提取卷積人群

    亢 潔,田 野,楊 剛

    基于改進SSD的人群異常行為檢測算法研究

    亢 潔1,田 野1,楊 剛2

    (1. 陜西科技大學(xué) 電氣與控制工程學(xué)院,陜西 西安 710021;2. 西安郵電大學(xué) 通信與信息工程學(xué)院,陜西 西安 710121)

    針對人群異常行為檢測任務(wù)中存在的算法復(fù)雜度較高,重疊遮擋等帶來的檢測精度低等問題,本文提出一種基于改進SSD(Single Shot Multi-box Detector)的人群異常行為檢測算法。首先采用輕量級網(wǎng)絡(luò)MobileNet v2代替原始特征提取網(wǎng)絡(luò)VGG-16,并通過可變形卷積模塊構(gòu)建卷積層來增強感受野,然后通過將位置信息整合到通道注意力中來進行特征增強,能夠捕獲空間位置之間的遠程依賴關(guān)系,從而可以較好處理重疊遮擋問題。實驗結(jié)果表明,本文提出的算法對人群異常行為具有較好的檢測效果。

    深度學(xué)習(xí);異常行為檢測;SSD網(wǎng)絡(luò);可變形卷積;注意力機制

    0 引言

    現(xiàn)如今,異常行為檢測作為機器視覺領(lǐng)域和圖像處理中的熱門研究方向,在公共場所的安全防范方面有著重要意義[1],備受研究人員關(guān)注。公共安全事件的頻發(fā)對百姓的人身安全造成了嚴(yán)重威脅,如果使用智能監(jiān)控系統(tǒng)實時監(jiān)控異常情況,并對異常情況進行報警,這樣一來可以減輕公共安全事件對社會帶來的危害。由此可見,對人群中異常行為的檢測具有至關(guān)重要的意義。

    傳統(tǒng)方法一般先從視頻序列中分割出待測目標(biāo),然后特征提取并比對提取到的人群行為特征和標(biāo)準(zhǔn)庫中異常行為樣本,最后交給分類器判斷異常行為是否存在。但是如果數(shù)據(jù)量較大,傳統(tǒng)的方法則顯示出計算能力不足,深層次特征無法表達的問題。

    相比傳統(tǒng)方法,深度學(xué)習(xí)的方法更能高效地解決問題。在某些場景下,監(jiān)控畫面中所包含的人群異常行為特征通常受到背景環(huán)境復(fù)雜、擁擠、遮擋等影響[2],這些因素都會導(dǎo)致人群異常行為檢測算法的準(zhǔn)確性和檢測速度大大降低。胡等人[3]提出一種基于深度時空卷積神經(jīng)網(wǎng)絡(luò)的群體異常事件檢測算法,其利用每幀視頻的空間特征與前后幀的時間特征,將二維卷積運算擴展到了三維空間,并將視頻區(qū)域劃分為若干子區(qū)域獲取其空間特征,最后將空間特征輸入到深度時空卷積網(wǎng)絡(luò)進行訓(xùn)練和分類。Almazroey等人[4]提出一種基于深度學(xué)習(xí)的算法來檢測監(jiān)控視頻中人群的異常行為,該算法利用視頻中提取到的關(guān)鍵幀光流的大小、方向、速度特征生成多個2D模型特征,最后將2D模型特征輸入預(yù)訓(xùn)練的AlexNet模型中進行判斷。穆等人[5]基于生成對抗網(wǎng)絡(luò)(generative adversarial networks,GANs)提出了一個人群異常事件檢測的算法,該算法使用正常事件樣本訓(xùn)練出一對生成對抗網(wǎng)絡(luò),將其中一個生成對抗網(wǎng)絡(luò)作為輸入并生成對應(yīng)的光流特征,再將光流特征輸入另一個生成對抗網(wǎng)絡(luò)并產(chǎn)生對應(yīng)的幀,最后分析生成的幀圖像和真實幀之間的差異來檢測和定位異常事件。

    1 人群異常行為檢測模型

    1.1 改進SSD模型架構(gòu)

    Wei Liu[6]提出的SSD網(wǎng)絡(luò)是主要的目標(biāo)檢測算法之一。SSD網(wǎng)絡(luò)由兩部分構(gòu)成,第一部分中VGG-16網(wǎng)絡(luò)對圖像進行特征提取,在SSD網(wǎng)絡(luò)中刪除其全連接層;第二部分是對目標(biāo)分類檢測,用2個常規(guī)卷積層代替VGG-16中的2個全連接層,并且增加了4個卷積層,還加入了特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN)的檢測方式,從而實現(xiàn)多尺度目標(biāo)檢測。

    SSD網(wǎng)絡(luò)的優(yōu)點是提取6個尺度不同的特征圖對目標(biāo)進行檢測,深層特征圖檢測和淺層特征圖被分別用來檢測大目標(biāo)和小目標(biāo),因此SSD網(wǎng)絡(luò)具有更好的檢測尺度。但由于SSD網(wǎng)絡(luò)不同層的特征圖之間是相互獨立的,并且SSD的特征提取網(wǎng)絡(luò)采用VGG-16網(wǎng)絡(luò),這樣導(dǎo)致模型參數(shù)較大,收斂速度較慢。

    針對SSD網(wǎng)絡(luò)存在的問題,本文提出一種基于改進SSD的人群異常行為檢測模型,如圖1所示,該模型將原始主干特征提取網(wǎng)絡(luò)VGG-16更換為輕量網(wǎng)絡(luò)MobileNet v2,然后使用可變形卷積模塊提升感受野,最后通過坐標(biāo)注意力機制(coordinate attention,CA)[7]使用精確的位置信息對通道關(guān)系和長期依賴性進行編碼,根據(jù)未遮擋部分得到上下文關(guān)系來預(yù)測遮擋部分,對重要圖像特征進行特征增強,以此來提高人群異常行為檢測算法的檢測效果。

    圖1 基于改進SSD的人群異常行為檢測模型

    1.2 人群異常行為定義

    在不同場景中,異常行為的定義各不相同。由于人群異常行為種類繁多,不能用統(tǒng)一的標(biāo)準(zhǔn)去衡量,所以對異常行為的定義需要考慮周圍環(huán)境。一般來說,研究人員把不尋常的、和現(xiàn)有模式不同的、不可預(yù)測的行為定義為異常行為[8]。

    本文應(yīng)用背景面向校園中的監(jiān)控視頻畫面,將異常行為分為兩類情況:人行道上非行人通過和異常的行人運動模式。人群異常行為大致包括:騎自行車的人,滑滑板的人,小型機動車,輪椅以及行人踏入草坪等異常種類,所有異常均是自然發(fā)生的。

    1.3 人群異常行為檢測模型建立

    1.3.1 MobileNet v2網(wǎng)絡(luò)

    為了提高特征提取的效率,模型的前置基礎(chǔ)網(wǎng)絡(luò)采用了輕量網(wǎng)絡(luò)MobileNet v2[9],該網(wǎng)絡(luò)共有17個Bottleneck層(其中每個Bottleneck包含兩個逐點卷積層和一個深度卷積層(depthwise convolution),一個標(biāo)準(zhǔn)卷積層和兩個逐點卷積層(pointwise convolution),整個網(wǎng)絡(luò)總計有可訓(xùn)練參數(shù)層54層。MobileNet v2網(wǎng)絡(luò)中采用線性瓶頸(linear bottleneck)和倒殘差(inverted residuals)結(jié)構(gòu)對網(wǎng)絡(luò)優(yōu)化,雖然加深了網(wǎng)絡(luò)層,但是模型體積變小了,速度加快了。

    圖2為MobileNet v2網(wǎng)絡(luò)模塊,該模塊先通過擴展層來擴展維度,接著采用深度可分離卷積來提取特征,再使用映射層來壓縮數(shù)據(jù),讓網(wǎng)絡(luò)體量變小。由于擴展層和映射層存在可學(xué)習(xí)的參數(shù),故整個網(wǎng)絡(luò)可以學(xué)習(xí)如何更好地擴展數(shù)據(jù)和重新壓縮數(shù)據(jù)。

    圖2 MobileNet v2網(wǎng)絡(luò)模塊

    在輸入圖片尺寸相同的前提下,使用VGG-16的參數(shù)量約為13.835×107,而使用MobileNet v2參數(shù)量約為0.347×107。因此使用該網(wǎng)絡(luò)可減少網(wǎng)絡(luò)參數(shù),進而達到減少計算量的目的。

    1.3.2 可變形卷積模塊

    如果某一幀中出現(xiàn)了異常行為,我們需要對其特征進行提取并學(xué)習(xí),傳統(tǒng)的卷積核通常是尺寸固定、大小固定的,提取到的特征可能包含背景,或者提取的特征未能全部覆蓋異常行為的目標(biāo)主體,使網(wǎng)絡(luò)學(xué)習(xí)不夠精確,進而影響到目標(biāo)檢測的準(zhǔn)確性。如圖3所示,在傳統(tǒng)卷積的基礎(chǔ)上,可變形卷積[10]增加了方向向量來調(diào)整卷積核,使其可以根據(jù)實際情況調(diào)整自身的形狀,使其形態(tài)更貼近特征物,從而更好地提取輸入的特征。

    眾所周知,每一卷積層是在銜接的前一卷積層的基礎(chǔ)上提取更加抽象的特征,考慮到如果將該模塊放置位置過于靠前,則提取的信息較為冗余,若放置位置靠后,則信息丟失過多。通過實驗可知,將其嵌入到MobileNet v2的第五層卷積層時,提高了算法對幾何形變的建模能力,特征提取可以取得最佳的效果。

    卷積核的定義:

    ={(-1,-1), (-1, 0), …,(0,1), (1,1)} (1)

    式中:定義了感受野的大小和擴張。

    傳統(tǒng)的卷積輸出是:

    式中:為輸入;為輸出;為權(quán)重矩陣;0為特征圖上的每個點;P是網(wǎng)格中的個點。

    可變形卷積的輸出是:

    式中:DP為坐標(biāo)偏移量。

    對于輸入的一張?zhí)卣鲌D,假設(shè)原來的卷積操作是3×3的,為了學(xué)習(xí)偏移量,定義了另外一個3×3的卷積層,輸出的維度和原特征圖相同,通道數(shù)等于2。圖3下半部分的可變形卷積可認(rèn)為是在上半部分生成的偏移量基礎(chǔ)上進行一個插值操作,然后再做普通的卷積。

    圖3 可變形卷積模塊

    可變形卷積通過改變特征提取方式,使網(wǎng)絡(luò)學(xué)習(xí)更為充分,并為解決遮擋問題起到輔助作用。雖然增加了少量的計算量,但可以使網(wǎng)絡(luò)性能得到很好的提升。

    1.3.3 注意力機制模塊

    一張?zhí)卣鲌D中包含了特征通道和位置等信息,圖中有些內(nèi)容是我們比較關(guān)注的,而有些內(nèi)容對目標(biāo)檢測任務(wù)的結(jié)果貢獻不大。如圖4所示,可將CA模塊看為一個計算單元,通過學(xué)習(xí)的方式,抑制不顯著的特征,增強網(wǎng)絡(luò)中特征的表達能力,進而提升目標(biāo)檢測效果。

    本文使用的注意力將通道注意力分解為兩個并行的一維特征編碼過程,把空間坐標(biāo)信息有效整合到生成的注意圖中。具體操作就是對和(即水平與垂直方向)執(zhí)行平均池化得到兩個一維向量,接下來在空間維度上拼接和1×1卷積來壓縮通道,然后通過BN層和ReLU來編碼兩個方向的空間信息并切分,接著各自通過1×1卷積得到和輸入特征圖相同的通道數(shù),然后歸一化加權(quán)。最后與原特征圖相乘,以此來對特征進行自適應(yīng)調(diào)整。

    將注意力機制模塊置于卷積層之后、批量歸一化層(batch normalization,BN)之前,通過將位置信息整合到通道注意力中進行特征增強。圖5為特征增強結(jié)構(gòu)圖,分別用CA模塊增強6個經(jīng)MobileNet v2提取的輸出特征圖。

    注意力機制的加入,可以進行多尺度信息的融合,還可以根據(jù)未遮擋部分得到上下文關(guān)系,以此來預(yù)測遮擋部分,可以有效改善遮擋問題。這對異常行為檢測任務(wù)非常重要。

    2 實驗相關(guān)工作

    2.1 實驗環(huán)境搭建

    本文實驗操作系統(tǒng)為Windows10,使用Pytorch深度學(xué)習(xí)框架,實驗顯卡型號為NVIDIA GeForce RTX 2080 Ti,使用數(shù)量為1,顯卡內(nèi)存為11GB,CPU型號為Intel(R) Xeon(R)E5-2678 v3@2.50GHz,CPU數(shù)量為6,使用PyCharm的編譯環(huán)境。設(shè)置實驗初始學(xué)習(xí)率為0.01,采用隨機梯度下降法(Stochastic Gradient Descent,SGD)更新網(wǎng)絡(luò)參數(shù),學(xué)習(xí)動量為0.9,伽馬系數(shù)0.1,權(quán)重衰減率為0.0005。

    圖4 坐標(biāo)注意力模塊

    圖5 特征增強結(jié)構(gòu)

    2.2 數(shù)據(jù)集預(yù)處理

    本文選取UCSD(University of California, San Diego)異常檢測數(shù)據(jù)集[11]完成實驗任務(wù),該數(shù)據(jù)集由安裝在高處的攝像頭拍攝獲得,可俯視人行道。人行道上的人群密度從稀疏到擁擠。樣本數(shù)據(jù)由98個視頻片段組成,分為Ped1和Ped2兩個不同的場景,Ped1場景拍攝的是人群沿垂直方向運動,Ped2場景中為人群沿水平方向運動,每個場景拍到的視頻片段被分成約200幀的不同片段。

    首先對數(shù)據(jù)集進行視頻幀截取操作,選取最有代表性的視頻幀作為數(shù)據(jù)樣本,然后使用LabelImg軟件對得到的數(shù)據(jù)樣本進行標(biāo)注,LabelImg是一個可視化的圖像標(biāo)注軟件,工作界面如圖6所示。通過標(biāo)注生成相應(yīng)的xml文件,最終獲得4010張標(biāo)注后的數(shù)據(jù)集。將訓(xùn)練集與測試集按比例分為8:2,并將輸入圖片縮放調(diào)整為300×300像素的圖像,作為訓(xùn)練模型的原始輸入,然后訓(xùn)練網(wǎng)絡(luò)模型,使其能夠判斷輸入的圖像或視頻數(shù)據(jù)中是否存在異常行為。

    圖6 LabelImg工作界面

    2.3 實驗設(shè)計與模型訓(xùn)練

    將訓(xùn)練樣本送入改進后的SSD模型中訓(xùn)練,將batch_size設(shè)置為32,max_iter設(shè)置為10000。對Ped1和Ped2依次進行消融實驗,并多次調(diào)參及模型優(yōu)化訓(xùn)練,然后進行對比實驗。

    3 結(jié)果與分析

    3.1 評價標(biāo)準(zhǔn)

    通常在人群異常行為檢測任務(wù)中,使用的評估指標(biāo)為AUC(area under curve)。AUC為受試者工作特征(receiver operating characteristic,ROC)曲線下方區(qū)域所圍面積,在0~1之間取值,其表示的意義是正例排在負例前面的概率。如果某一檢測算法的AUC數(shù)值較高,則可認(rèn)為該算法具有良好的性能。

    ROC曲線的橫、縱坐標(biāo)分別表示假正例率(false positive rate,F(xiàn)PR)、真正例率(true positive rate,TPR)。其中:TPR表示在所有真正例的樣本中,被正確地判斷為正例的比率。FPR表示在所有真反例的樣本中,被錯誤地判斷為正例的比率。

    計算公式如下:

    式中:TP表示判斷為正例,實際為正例;FP表示判斷為正例,實際為反例;TN表示判斷為反例,實際為反例;FN表示判斷為反例,實際為正例。

    3.2 模型檢測結(jié)果與分析

    3.2.1 消融實驗

    為驗證本文方法的有效性,將本文提出的模型(MobileNet v2+Deformable Conv+CA)與標(biāo)準(zhǔn)SSD模型(VGG-16)、更換特征提取網(wǎng)絡(luò)后的SSD模型(MobileNet v2)以及更換特征提取網(wǎng)絡(luò)并嵌入可變形卷積模塊的SSD模型(MobileNet v2+Deformable Conv)進行了消融實驗,表1為測試集在不同模型下的參數(shù)對比結(jié)果。

    從表1可以看出,在測試集Ped1和Ped2上,使用VGG-16的模型檢測速度分別為21.96fps和20.36fps,使用MobileNet v2后,較使用VGG-16的模型檢測速度漲幅明顯,而使用MobileNet v2+Deformable Conv的模型檢測速度雖然較使用MobileNet v2稍有下降(這是因為可變形卷積模塊的加入增加了少量的計算量),但檢測速度較使用VGG-16仍有較大提升。使用MobileNet v2+Deformable Conv+CA的模型檢測速度分別為26.59 fps和25.41 fps,對比VGG-16,由于模型的特征提取網(wǎng)絡(luò)替換為輕量網(wǎng)絡(luò)MobileNet v2,所以模型檢測速度分別提升了21.08%和24.80%。

    表1 基于改進SSD的消融實驗

    AUC結(jié)果在使用VGG-16的模型上為61.98%和63.81%,使用MobileNet v2的模型,AUC值稍微上升,而使用MobileNet v2+Deformable Conv的模型,AUC結(jié)果較使用VGG-16提升了12.63%和22.20%,表明改變特征提取方式的方法對模型檢測精度有明顯效果。再加入注意力機制后,使用MobileNet v2+Deformable Conv+CA的模型的AUC結(jié)果繼續(xù)提升,分別為74.50%和88.93%,較使用VGG-16的模型提升了20.20%和39.36%。AUC結(jié)果表明,注意力機制的加入,可以有效改善對存在遮擋的異常行為的檢測,這對檢測精度的提升有很大的幫助。綜上可知,本文所提模型(改進后的SSD網(wǎng)絡(luò))在檢測速度和精度方面優(yōu)于標(biāo)準(zhǔn)SSD網(wǎng)絡(luò),實驗驗證了該方法的有效性。

    3.2.2 模型損失曲線

    圖7和圖8分別為本文提出的模型在數(shù)據(jù)集ped1和ped2上的訓(xùn)練損失曲線,包括模型的分類損失、回歸損失和總體損失。由圖可知,在數(shù)據(jù)集訓(xùn)練過程中,模型的損失值隨著迭代次數(shù)的增加逐漸趨于收斂。

    3.2.3 對比分析實驗

    表2為本文方法與其他3種檢測算法的性能對比分析。為評估本文方法對人群異常行為檢測的有效性,使用檢測速度和AUC兩個指標(biāo)來進行判定。

    由表2可知,文獻[12]使用Social Force模型檢測和定位人群視頻中異常行為,使用詞袋方法將幀分類為正常和異常,在測試集上的檢測速度分別為23.36fps和23.18 fps,AUC結(jié)果為67.5%和70.00%。文獻[13]使用不同的主干特征提取網(wǎng)絡(luò),在測試集上的檢測速度分別為25.21fps和24.85fps,AUC結(jié)果分別為71.7%和83.2%。本文方法的檢測速度為26.59fps和25.41fps,AUC結(jié)果為74.50%和88.93%。對比不同檢測模型,本文方法在模型檢測速度提升的同時,AUC結(jié)果也有不同幅度的提升,說明本文提出的模型具有檢測速度快、準(zhǔn)確度高的特點,從而驗證本文方法的有效性。

    圖7 本文模型在Ped1上的訓(xùn)練損失曲線

    圖8 本文模型在Ped2上的訓(xùn)練損失曲線

    3.2.4 可視化結(jié)果

    為了直觀地展現(xiàn)本文方法的有效性,將本文方法的檢測結(jié)果與其他算法的檢測結(jié)果進行了可視化,如圖9所示。

    由圖9可以看出,在檢測畫面1中,4種方法均可完整檢測出一處異常。在檢測畫面2中,存在3處異常,標(biāo)準(zhǔn)SSD算法可以檢測出其中兩處異常,由于存在遮擋,第三處異常(圖中藍色虛線框)并未檢測出來;Social Force算法檢測出一處異常(圖中紫色實線框),由于數(shù)據(jù)集分辨率較低的原因,第二處異常(圖中黃色虛線框)存在漏檢,第三處存在遮擋的異常(圖中藍色虛線框)仍未檢測出來;由于畫面存在遮擋,并未學(xué)習(xí)到足夠的特征信息,Pang等人的算法[13]也有一處異常(圖中藍色虛線框)未檢測出來;相比以上3種算法,本文方法可以完整檢測出檢測畫面2中的3處異常,包含其中存在遮擋的一處異常,不存在漏檢問題。

    表2 不同檢測模型性能對比分析

    圖9 可視化結(jié)果

    實驗結(jié)果表明,加入可變形卷積模塊和注意力模塊后,特征提取更加準(zhǔn)確,網(wǎng)絡(luò)有效地學(xué)習(xí)到了圖像中重要的特征信息,并根據(jù)上下文關(guān)系來預(yù)測遮擋部分,可以有效解決遮擋問題。綜上,檢測結(jié)果說明了本文方法的可行性。

    4 結(jié)語

    本文主要面對人群異常行為檢測算法面臨的問題開展工作,針對現(xiàn)有模型算法復(fù)雜度高的問題,將特征提取網(wǎng)絡(luò)替換為輕量網(wǎng)絡(luò)MobileNet v2,從而減少模型參數(shù),提高模型運行速度;針對在復(fù)雜場景如重疊遮擋下檢測準(zhǔn)確性低的問題,采用可變形卷積來改變特征提取方法,并加入注意力機制進行特征增強,通過學(xué)習(xí)上下文關(guān)系來預(yù)測遮擋部分,進而有效解決遮擋問題。從UCSD數(shù)據(jù)集上的實驗結(jié)果可以看出,本文提出算法的檢測速度為26.59fps和25.41fps,AUC結(jié)果為74.50%和88.93%,較其他方法在檢測速度和精度上均有不同程度的提升,表明本文的模型可實現(xiàn)對人群異常行為的快速準(zhǔn)確檢測。

    [1] HU Y. Design and implementation of abnormal behavior detection based on deep intelligent analysis algorithms in massive video surveillance[J]., 2020, 18(2): 227-237.

    [2] 張欣, 齊華. 基于YOLOv4的人體異常行為檢測算法研究[J]. 計算機與數(shù)字工程, 2021, 49(4): 791-796.

    ZHANG X, QI H. Research on human abnormal behavior detection algorithm based on YOLOv4[J]., 2021, 49(4): 791-796.

    [3] 胡學(xué)敏, 陳欽, 楊麗. 基于深度時空卷積神經(jīng)網(wǎng)絡(luò)的人群異常行為檢測和定位[J]. 計算機應(yīng)用研究, 2020, 37(3): 891-895.

    HU X M, CHEN Q, YANG L. Detection and localization of abnormal crowd behavior based on deep spatiotemporal convolutional neural network[J]., 2020, 37(3): 891-895.

    [4] Almazroey A A, Jarraya S K. Abnormal events and behavior detection in crowd scenes based on deep learning and neighborhood component analysis feature selection[C]//(AICV2020), 2020: 258-267.

    [5] MU Y L, ZHANG B. Abnormal event detection and localization in visual surveillance[C] //, 2020: 1217-1225.

    [6] LIU W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//, 2016: 21-37.

    [7] HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C] //2021(CVPR) 2021: 13708-13717.

    [8] Ali K, MOHAMMAD S M. Improved anomaly detection in surveillance videos based on a deep learning method[C]// 8th10, 2018: 73-81.

    [9] Sandler M, Howard A, Zhu M, et al. MobileNetV2: Inverted Residuals and Linear Bottlenecks[C]//2018, 2018: 4510-4520.

    [10] DAI J F, QI H Z, XIONG Y W, et al. Deformable Convolutional Networks[C]//2017(ICCV), 2017: 764-773.

    [11] Mahadevan V, LI W, Bhalodia V, et al. Anomaly detection in crowded scenes[C]//(CVPR) 2010: 1975-1981.

    [12] WU W H, CHEN M Y, LI J H, et al. Visual information based social force model for crowd evacuation[J]., 2022, 27(3): 619-629.

    [13] PANG G S, YAN C, SHEN C H, et al. Self-trained deep ordinal regression for end-to-end video anomaly detection[C]//2020(CVPR), 2020: 12170-12179.

    Research on Crowd Abnormal Behavior Detection Based on Improved SSD

    KANG Jie1,TIAN Ye1,YANG Gang2

    (1. School of Electrical and Control Engineering, Shaanxi University of Science and Technology, Xi'an 710021, China;2. School of Communication and Information Engineering, Xi'an University of Posts and Telecommunications, Xi'an 710121, China)

    Aiming at the problems of high algorithmic complexity and low detection accuracy caused by overlapping occlusions in abnormal crowd behavior detection, this paper proposes an algorithm for crowd abnormal behavior detection based on an improved single-shot multi-box detector(SSD). First, the lightweight network MobileNet v2 was used to replace the original feature extraction network VGG-16, and a convolutional layer was constructed by a deformable convolution module to enhance the receptive field. Feature enhancement was performed by integrating the position information into the channel attention, which can capture long-range dependencies between spatial locations, allowing for better handling of overlapping occlusions. The experimental results show that the proposed algorithm has a good detection effect on abnormal crowd behavior.

    deep learning, abnormal behavior detection, SSD network, deformable convolution, attention mechanism

    TP391

    A

    1001-8891(2022)12-1316-08

    2022-04-03;

    2022-07-12.

    亢潔(1973-),女,博士,副教授,主要研究方向:模式識別、機器視覺、智能控制。E-mail: kangjie@sust.edu.cn。

    陜西省重點研發(fā)計劃項目(2021GY-022)。

    猜你喜歡
    特征提取卷積人群
    在逃犯
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    糖尿病早預(yù)防、早控制
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    我走進人群
    百花洲(2018年1期)2018-02-07 16:34:52
    財富焦慮人群
    Bagging RCSP腦電特征提取算法
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    a级毛色黄片| 91成人精品电影| 少妇被粗大的猛进出69影院 | 狂野欧美白嫩少妇大欣赏| 18禁动态无遮挡网站| 在线观看免费视频网站a站| 国产av精品麻豆| 国产黄频视频在线观看| 国产成人精品婷婷| 一本大道久久a久久精品| 亚洲av不卡在线观看| 少妇被粗大的猛进出69影院 | 久久久久久人妻| 日日摸夜夜添夜夜添av毛片| 人妻夜夜爽99麻豆av| www.色视频.com| 偷拍熟女少妇极品色| 男人和女人高潮做爰伦理| 国产深夜福利视频在线观看| 十八禁网站网址无遮挡 | 午夜老司机福利剧场| 日韩欧美精品免费久久| 男人和女人高潮做爰伦理| 成年人午夜在线观看视频| 99久久精品国产国产毛片| 美女cb高潮喷水在线观看| 午夜福利视频精品| 我要看黄色一级片免费的| 我要看黄色一级片免费的| 亚洲精品日本国产第一区| 国产美女午夜福利| 97精品久久久久久久久久精品| 免费黄色在线免费观看| 久热久热在线精品观看| 久热这里只有精品99| 亚洲国产精品一区二区三区在线| 大陆偷拍与自拍| 亚洲熟女精品中文字幕| 日本爱情动作片www.在线观看| 三级国产精品片| 久久毛片免费看一区二区三区| 久久99一区二区三区| 97超视频在线观看视频| 一本一本综合久久| 国产色婷婷99| 天天操日日干夜夜撸| 国产亚洲91精品色在线| 人妻少妇偷人精品九色| 日韩欧美一区视频在线观看 | 亚洲av综合色区一区| 久久av网站| 只有这里有精品99| 久久久久人妻精品一区果冻| 最近的中文字幕免费完整| 大又大粗又爽又黄少妇毛片口| 欧美xxⅹ黑人| 一级片'在线观看视频| 在现免费观看毛片| 日本欧美视频一区| 高清黄色对白视频在线免费看 | 国产伦理片在线播放av一区| 国产精品成人在线| 黄色怎么调成土黄色| 欧美丝袜亚洲另类| 国产伦理片在线播放av一区| 免费观看a级毛片全部| 天美传媒精品一区二区| 免费看日本二区| 内射极品少妇av片p| 欧美日韩视频精品一区| 高清不卡的av网站| 久久精品国产亚洲av天美| 久久久国产精品麻豆| 草草在线视频免费看| 亚洲成人手机| 丝袜喷水一区| 中文天堂在线官网| a级毛片免费高清观看在线播放| 国产美女午夜福利| 国产伦在线观看视频一区| 欧美精品一区二区免费开放| 久久 成人 亚洲| 国产欧美日韩一区二区三区在线 | 菩萨蛮人人尽说江南好唐韦庄| av国产久精品久网站免费入址| 乱人伦中国视频| 免费av不卡在线播放| 亚洲伊人久久精品综合| 久久国内精品自在自线图片| 亚洲丝袜综合中文字幕| 国产黄色免费在线视频| 午夜免费鲁丝| 国产欧美日韩一区二区三区在线 | 少妇人妻久久综合中文| 大香蕉97超碰在线| 人人妻人人看人人澡| av在线观看视频网站免费| 久久综合国产亚洲精品| 国产91av在线免费观看| 欧美三级亚洲精品| 欧美少妇被猛烈插入视频| 国产中年淑女户外野战色| 亚洲精品一二三| 亚洲欧美精品专区久久| 亚洲,一卡二卡三卡| 乱人伦中国视频| 免费观看av网站的网址| 男女边吃奶边做爰视频| 日本黄色片子视频| 国产精品一区二区三区四区免费观看| 亚洲av男天堂| 亚洲欧美中文字幕日韩二区| 中文资源天堂在线| 一区在线观看完整版| 久久 成人 亚洲| 97在线人人人人妻| 国产女主播在线喷水免费视频网站| 多毛熟女@视频| 少妇熟女欧美另类| 成年人免费黄色播放视频 | 亚洲精品456在线播放app| 国产伦在线观看视频一区| 久久精品国产自在天天线| av国产久精品久网站免费入址| 99热这里只有是精品50| 午夜日本视频在线| 青青草视频在线视频观看| 亚洲av不卡在线观看| 欧美日韩综合久久久久久| 亚洲精品乱久久久久久| 国产乱来视频区| 精品少妇黑人巨大在线播放| 日本vs欧美在线观看视频 | 国产午夜精品久久久久久一区二区三区| 视频中文字幕在线观看| 免费黄网站久久成人精品| 最近中文字幕2019免费版| 中文精品一卡2卡3卡4更新| 最后的刺客免费高清国语| 日本91视频免费播放| 国产男女超爽视频在线观看| 最近最新中文字幕免费大全7| 中文乱码字字幕精品一区二区三区| 成年女人在线观看亚洲视频| 亚洲欧美精品专区久久| 日本与韩国留学比较| 97在线视频观看| 在线观看www视频免费| 成年人免费黄色播放视频 | 精品国产国语对白av| 男人添女人高潮全过程视频| 免费人妻精品一区二区三区视频| 久久 成人 亚洲| 欧美精品高潮呻吟av久久| 亚洲精品日韩在线中文字幕| 一二三四中文在线观看免费高清| 美女中出高潮动态图| 国产亚洲5aaaaa淫片| av在线播放精品| 精品人妻一区二区三区麻豆| 91午夜精品亚洲一区二区三区| 午夜免费鲁丝| 久久国产精品男人的天堂亚洲 | 大话2 男鬼变身卡| 一级a做视频免费观看| 久久精品久久久久久久性| 精品少妇黑人巨大在线播放| 在线观看三级黄色| 妹子高潮喷水视频| 亚洲欧美一区二区三区黑人 | 色94色欧美一区二区| 大码成人一级视频| 欧美3d第一页| 肉色欧美久久久久久久蜜桃| 9色porny在线观看| videos熟女内射| av网站免费在线观看视频| 亚洲精品久久午夜乱码| 国产日韩欧美在线精品| 国产熟女午夜一区二区三区 | 国产一区有黄有色的免费视频| 久久久午夜欧美精品| 久久韩国三级中文字幕| 一级爰片在线观看| 国产熟女午夜一区二区三区 | 美女中出高潮动态图| 午夜av观看不卡| 成人无遮挡网站| 午夜免费观看性视频| 看非洲黑人一级黄片| 国产精品嫩草影院av在线观看| 亚洲精品一二三| 亚洲怡红院男人天堂| 国产成人aa在线观看| 国产一区二区三区综合在线观看 | 亚洲av成人精品一二三区| 亚洲国产色片| 女人久久www免费人成看片| 777米奇影视久久| 在线观看www视频免费| 国产有黄有色有爽视频| 视频中文字幕在线观看| 日韩精品免费视频一区二区三区 | 岛国毛片在线播放| 激情五月婷婷亚洲| 中文在线观看免费www的网站| 免费高清在线观看视频在线观看| 亚洲国产最新在线播放| av视频免费观看在线观看| 欧美日韩视频精品一区| 2021少妇久久久久久久久久久| av视频免费观看在线观看| 亚洲天堂av无毛| 最后的刺客免费高清国语| av专区在线播放| 99热国产这里只有精品6| 亚洲va在线va天堂va国产| 成人午夜精彩视频在线观看| 精品国产乱码久久久久久小说| 国产精品久久久久成人av| av专区在线播放| 欧美日韩视频精品一区| 国产精品一区二区在线不卡| 少妇 在线观看| 黄色欧美视频在线观看| 欧美变态另类bdsm刘玥| 亚洲成色77777| 欧美亚洲 丝袜 人妻 在线| 国产精品一区二区在线不卡| 婷婷色av中文字幕| 内射极品少妇av片p| 国产精品偷伦视频观看了| 国产视频首页在线观看| 亚洲色图综合在线观看| 亚洲av综合色区一区| 91成人精品电影| 久久久久久久久久成人| 日本色播在线视频| av卡一久久| 国产在线一区二区三区精| 日本免费在线观看一区| 亚洲精品亚洲一区二区| 国产精品福利在线免费观看| 国产精品女同一区二区软件| 天堂俺去俺来也www色官网| 亚洲精品一二三| 国产 一区精品| 精品少妇久久久久久888优播| 美女视频免费永久观看网站| 久久鲁丝午夜福利片| 国产极品粉嫩免费观看在线 | 欧美日韩视频高清一区二区三区二| 亚洲精品成人av观看孕妇| 亚洲在久久综合| 免费av中文字幕在线| 青春草亚洲视频在线观看| 国产美女午夜福利| 亚洲,欧美,日韩| 欧美精品一区二区免费开放| 久久韩国三级中文字幕| 亚洲综合精品二区| 久热这里只有精品99| 伊人久久精品亚洲午夜| 一区二区av电影网| 热re99久久国产66热| 91成人精品电影| 永久免费av网站大全| 精品久久久久久久久亚洲| 亚洲欧洲国产日韩| 亚洲精品国产av成人精品| 国产色婷婷99| 你懂的网址亚洲精品在线观看| 免费久久久久久久精品成人欧美视频 | 男人和女人高潮做爰伦理| 99热这里只有是精品在线观看| 国产精品麻豆人妻色哟哟久久| 日本黄大片高清| 一级a做视频免费观看| 超碰97精品在线观看| 18+在线观看网站| 亚洲精品,欧美精品| 精品久久久久久久久av| 99热全是精品| 一级爰片在线观看| 亚洲,欧美,日韩| 国产真实伦视频高清在线观看| 国产成人a∨麻豆精品| 国产乱人偷精品视频| 成人亚洲欧美一区二区av| 最新中文字幕久久久久| 在线观看美女被高潮喷水网站| 免费观看的影片在线观看| 丁香六月天网| 国产欧美亚洲国产| 草草在线视频免费看| 在线 av 中文字幕| 日本欧美视频一区| 永久网站在线| 久久精品国产自在天天线| 日本猛色少妇xxxxx猛交久久| av国产精品久久久久影院| 韩国高清视频一区二区三区| 尾随美女入室| 亚洲成色77777| 人人妻人人澡人人看| 欧美性感艳星| 欧美日韩国产mv在线观看视频| 久久精品国产鲁丝片午夜精品| 欧美+日韩+精品| 国产精品福利在线免费观看| 九色成人免费人妻av| 一级黄片播放器| 中文字幕久久专区| 亚洲国产日韩一区二区| 男女免费视频国产| 国产伦精品一区二区三区视频9| 激情五月婷婷亚洲| 久久人人爽人人片av| 在线播放无遮挡| 亚洲欧美精品自产自拍| 成人国产av品久久久| 国产精品嫩草影院av在线观看| 亚洲丝袜综合中文字幕| 欧美精品一区二区免费开放| 精品少妇久久久久久888优播| 亚洲精品第二区| 你懂的网址亚洲精品在线观看| 嫩草影院新地址| 赤兔流量卡办理| 国产成人免费观看mmmm| av一本久久久久| 中文在线观看免费www的网站| 一级毛片黄色毛片免费观看视频| 国产欧美另类精品又又久久亚洲欧美| a 毛片基地| 日韩大片免费观看网站| 亚洲欧美一区二区三区国产| 人人妻人人澡人人爽人人夜夜| 国产亚洲欧美精品永久| 纯流量卡能插随身wifi吗| 两个人的视频大全免费| 日本爱情动作片www.在线观看| 久久久a久久爽久久v久久| 亚洲精品,欧美精品| av女优亚洲男人天堂| 人妻制服诱惑在线中文字幕| 久久久久人妻精品一区果冻| 大又大粗又爽又黄少妇毛片口| 日本vs欧美在线观看视频 | 人人妻人人澡人人爽人人夜夜| 精品久久国产蜜桃| 黑人巨大精品欧美一区二区蜜桃 | 在线观看一区二区三区激情| 国产熟女午夜一区二区三区 | 丁香六月天网| 婷婷色综合大香蕉| 老司机影院成人| 久热这里只有精品99| 这个男人来自地球电影免费观看 | 国产精品国产三级国产av玫瑰| 少妇熟女欧美另类| 波野结衣二区三区在线| av天堂久久9| 精品一区二区三卡| 中国三级夫妇交换| 青春草国产在线视频| .国产精品久久| 99久久精品热视频| 国产69精品久久久久777片| 精品熟女少妇av免费看| 王馨瑶露胸无遮挡在线观看| 十八禁网站网址无遮挡 | 亚洲欧美成人精品一区二区| 丰满人妻一区二区三区视频av| 男人狂女人下面高潮的视频| 男女啪啪激烈高潮av片| 亚洲成人手机| 亚洲av不卡在线观看| 国产成人精品无人区| 精品少妇内射三级| 九草在线视频观看| 国产日韩一区二区三区精品不卡 | 麻豆精品久久久久久蜜桃| 大香蕉久久网| 午夜久久久在线观看| 九九爱精品视频在线观看| 国产极品天堂在线| 国产淫片久久久久久久久| 国产精品一区二区在线观看99| 成人漫画全彩无遮挡| 精品久久久噜噜| 亚洲精品久久久久久婷婷小说| 欧美 亚洲 国产 日韩一| 国产一区二区三区综合在线观看 | 赤兔流量卡办理| 亚洲国产欧美在线一区| 一级av片app| 97在线视频观看| 精品久久久精品久久久| 日日摸夜夜添夜夜添av毛片| 高清av免费在线| 99久久人妻综合| 亚洲精品自拍成人| 国产成人a∨麻豆精品| 两个人免费观看高清视频 | 久久精品国产亚洲网站| 老司机影院毛片| 亚洲美女视频黄频| 国产中年淑女户外野战色| 精品国产一区二区三区久久久樱花| 丰满迷人的少妇在线观看| 又黄又爽又刺激的免费视频.| 亚洲熟女精品中文字幕| 一本久久精品| 亚洲久久久国产精品| 国产亚洲91精品色在线| 成年av动漫网址| 蜜臀久久99精品久久宅男| 一级毛片我不卡| 亚洲国产日韩一区二区| av一本久久久久| 丝袜喷水一区| 26uuu在线亚洲综合色| 97精品久久久久久久久久精品| 插逼视频在线观看| 最近中文字幕高清免费大全6| 99久久精品一区二区三区| 最近最新中文字幕免费大全7| 如何舔出高潮| 亚洲av国产av综合av卡| av卡一久久| 国产成人freesex在线| 夫妻午夜视频| 精品亚洲成a人片在线观看| 日本午夜av视频| 亚洲欧美一区二区三区国产| 亚洲国产精品一区二区三区在线| 18禁在线无遮挡免费观看视频| 日韩免费高清中文字幕av| 人妻 亚洲 视频| 777米奇影视久久| av在线老鸭窝| 国产伦精品一区二区三区视频9| 国产美女午夜福利| 插逼视频在线观看| 午夜福利影视在线免费观看| 国产在线免费精品| 毛片一级片免费看久久久久| 大香蕉久久网| 嫩草影院入口| 久久国产精品大桥未久av | 午夜免费男女啪啪视频观看| 精品久久久久久久久av| 秋霞伦理黄片| 亚洲精品色激情综合| 中文字幕免费在线视频6| 一区二区三区精品91| 麻豆成人午夜福利视频| 亚洲电影在线观看av| av在线播放精品| 午夜福利,免费看| 国产精品欧美亚洲77777| 亚洲av成人精品一区久久| 五月伊人婷婷丁香| 日日啪夜夜爽| 观看av在线不卡| 午夜激情福利司机影院| 亚洲一区二区三区欧美精品| 国产精品99久久99久久久不卡 | 久久久久精品性色| 国产在线免费精品| 久久青草综合色| 中国美白少妇内射xxxbb| 国产精品免费大片| 国产一区有黄有色的免费视频| 少妇人妻 视频| 极品教师在线视频| 观看av在线不卡| 亚洲成人一二三区av| 日日啪夜夜撸| 亚洲欧美日韩另类电影网站| 国产女主播在线喷水免费视频网站| 一本大道久久a久久精品| 精品国产露脸久久av麻豆| 一区二区三区免费毛片| 国产在线免费精品| av在线播放精品| 亚洲国产日韩一区二区| 观看美女的网站| 亚洲成色77777| 国产片特级美女逼逼视频| 黄片无遮挡物在线观看| 国产亚洲av片在线观看秒播厂| 精品一区在线观看国产| 成人亚洲精品一区在线观看| 国产精品一区www在线观看| 哪个播放器可以免费观看大片| 97在线人人人人妻| 国产精品欧美亚洲77777| 人妻制服诱惑在线中文字幕| 一本一本综合久久| av播播在线观看一区| 伊人久久国产一区二区| 91久久精品国产一区二区三区| 人妻制服诱惑在线中文字幕| 色婷婷久久久亚洲欧美| 一区在线观看完整版| 又黄又爽又刺激的免费视频.| 久久影院123| 三级经典国产精品| 乱系列少妇在线播放| 看非洲黑人一级黄片| 久久国产精品男人的天堂亚洲 | 黑人猛操日本美女一级片| www.av在线官网国产| 99久国产av精品国产电影| 汤姆久久久久久久影院中文字幕| 亚洲图色成人| 国产亚洲最大av| 性高湖久久久久久久久免费观看| 老司机亚洲免费影院| 深夜a级毛片| 久久久国产欧美日韩av| 偷拍熟女少妇极品色| 国产熟女欧美一区二区| 日本黄色片子视频| 亚州av有码| 国产精品99久久久久久久久| 亚洲四区av| 日本av免费视频播放| 国产一区有黄有色的免费视频| 国产精品女同一区二区软件| 欧美日韩一区二区视频在线观看视频在线| 国产亚洲一区二区精品| 一级毛片 在线播放| 国产伦理片在线播放av一区| 99九九在线精品视频 | 99热这里只有精品一区| 丰满人妻一区二区三区视频av| 成人美女网站在线观看视频| 国产亚洲午夜精品一区二区久久| 国产精品.久久久| 下体分泌物呈黄色| 蜜臀久久99精品久久宅男| 嘟嘟电影网在线观看| 国产精品秋霞免费鲁丝片| 久久毛片免费看一区二区三区| 好男人视频免费观看在线| 亚洲av中文av极速乱| av在线app专区| 日韩强制内射视频| 色网站视频免费| 国产视频内射| 各种免费的搞黄视频| 人妻一区二区av| av不卡在线播放| 婷婷色综合大香蕉| 日韩欧美一区视频在线观看 | 久久热精品热| 亚洲不卡免费看| av天堂久久9| 全区人妻精品视频| 亚洲成人一二三区av| 国产成人精品婷婷| 女人久久www免费人成看片| 狂野欧美白嫩少妇大欣赏| 国产成人91sexporn| 人妻一区二区av| 国产精品嫩草影院av在线观看| 3wmmmm亚洲av在线观看| 国产在线男女| 一本久久精品| 国产熟女午夜一区二区三区 | 久久国产乱子免费精品| 免费少妇av软件| 国产成人免费无遮挡视频| 亚洲激情五月婷婷啪啪| 精品亚洲成国产av| 中国国产av一级| 亚洲欧美一区二区三区黑人 | 久久人人爽人人爽人人片va| 国产毛片在线视频| 热99国产精品久久久久久7| 日韩伦理黄色片| 18+在线观看网站| 欧美 亚洲 国产 日韩一| 久久精品国产自在天天线| 国产午夜精品一二区理论片| 婷婷色综合www| 最黄视频免费看| 人妻 亚洲 视频| 少妇猛男粗大的猛烈进出视频| 国产黄色免费在线视频| 国产精品麻豆人妻色哟哟久久| 高清不卡的av网站| 这个男人来自地球电影免费观看 | 亚洲精品aⅴ在线观看| 亚洲av在线观看美女高潮| 9色porny在线观看| 亚洲国产精品一区二区三区在线| 免费黄网站久久成人精品| 亚洲av电影在线观看一区二区三区| 国产免费福利视频在线观看| 丝瓜视频免费看黄片| 久久人人爽av亚洲精品天堂| 日韩欧美 国产精品| 新久久久久国产一级毛片| 啦啦啦中文免费视频观看日本| 22中文网久久字幕| 高清在线视频一区二区三区| 久久久久久久精品精品| 亚洲精品乱码久久久久久按摩| 国产一区有黄有色的免费视频| 卡戴珊不雅视频在线播放| 自拍偷自拍亚洲精品老妇|