基于参数自调节神经网络的人体异常行为检测方法技术

本发明专利技术涉及一种基于参数自调节神经网络的人体异常行为检测方法。本发明专利技术是基于一种双层神经网络，即生长式神经气体模型，利用其灵活“生长”的优势对场景中的可变行为模式进行学习和建模。本发明专利技术针对其因固定参数无法实现自适应调整的问题进行了重要改进，提出了针对气体神经元生长、学习、删除等过程中的模型参数自适应调整方法。在模型用于判断行为是否异常时，本发明专利技术提出了基于双层高斯平滑窗的判断方法，实现多变场景中的快速的异常行为判别。

【技术实现步骤摘要】

本专利技术属于机器视觉的运动目标分析领域，也属于智能视频监控领域。本专利技术具体涉及一种基于竞争生长式神经网络的参数自调节方法，此方法通过自调节参数对可视范围内的人体行为进行自适应学习和建模，并实时检测异常行为，属于高层的运动目标分析范畴。
技术介绍
视频中的运动目标分析是机器视觉领域的重要课题，同时也是近年来备受关注的前沿研究方向之一。它在智能监控、人机交互、虚拟现实、基于内容的视频检索与编码等领域具有重要的理论研究意义和应用前景。其主要内容就是通过对视频数据中包含的人体目标运动信息进行特征提取和模式识别来理解所包含的运动类别和意图，它涵盖了图像处理、计算机视觉、模式识别与人工智能等多个学科。异常行为检测属于运动目标分析，也是智能监控系统的重要研究目标之一。目前较为前沿和主流的方法主要是基于稳定场景中运动建模的方法，其优点在于可利用当前场景中大量的观察逐渐学习到正常行为模型作为检测基准，高效并且在一定情况下的抗干扰能力强。其缺点是所学习到的模型对场景信息和场景内容依赖性较强，可移植性差，对于复杂多变的户外场景或者相机移动的场景的有较大局限性。可变场景建模要求模型本身具有模式适应性，即模型的具体参数可以根据观察到的实际数据实时调整，学习到场景中固有或常见的正常行为模式。在低噪声环境下获取的视频中进行运动检测和识别已经可以达到较高的识别效率，但是针对实际环境中的视频，人体运动描述和异常行为识别仍然面临很多难题，如人体遮挡、视频模糊、拍摄视角变化等，所需要解决的问题就变得更加复杂。这就更加要求人体运动特征提取和建模方法本身具有强大的表征能力和区分能力，可以在复杂的环境中学习到少见或者异常的人体行为模式。传统的离线学习的方法通过大量的行为样本训练分类器，然后再对视频中获取的运动特征进行识别。一般通过迭代学习训练分类器和优化分类器参数(如支持向量机SVM)是较为耗时的，异常行为常常是在短时间发生的，利用分类器识别较难满足快速实时判断的系统要求。这就要求模型本省具有很高的异常判断能力，也就是说需要利用常用的距离算子即可判断新特征的异常值是否达到了异常阈值。
技术实现思路
本专利技术的目的是实现多变场景中的异常人体行为检测。本专利技术是基于一种双层神经网络——生长式神经气体模型(Growing Neural Gas,GNG)，利用其灵活“生长”的优势对场景中的可变行为模式进行学习和建模。本专利技术针对其因固定参数无法实现自适应调整的问题进行了重要改进，提出了针对气体神经元生长、学习、删除等过程中的模型参数自适应调整方法。在模型用于判断行为是否异常时，本专利技术提出了基于双层高斯平滑窗的判断方法，实现快速的异常行为判别。1.GNG模型参数自适应调节方法分析GNG模型的建立过程，其气体神经元在插入、学习和删除过程中涉及到的参数，如插入条件中的阈值、学习速率和学习范围参数、删除条件中的阈值，通常都是固定参数，不受环境变化的影响，无法实现环境自适应调整。这不利于模型在多场景或变场景中的实际应用。本专利技术利用对环境中观察到的实际数据对GNG模型的各个重要学习参数进行自适应的调整，分别针对神经元插入、学习、删除三个重要步骤提出了三个基于邻域神经元分布情况的阈值调整算法。具体来说：(1)针对插入过程，本专利技术设计了两个自适应阈值，分别称为内部插入阈值和外部插入阈值，用于控制外来神经元的适时插入操作。(2)针对学习过程，本专利技术提出了实时调整学习速率的算法，根据新输入特征与其最近邻神经元的距离确定调整幅度。(3)针对删除过程，本专利技术通过定义一个密度算子确定所需删除的神经元周围的网络分布情况，接着计算每个待删除神经元的平均累积分数，在网络较为稳定时平均累积分数低于平均水平且密度计算结果排位靠后的神经元将会被删除。依次，本专利技术对上述GNG神经网络的三个重要步骤中包含的重要参数设计了自适应的调整策略。2.基于双层高斯平滑窗的异常判断方法由于本专利技术旨在检测视频中包含的异常人体行为，对系统实时性的要求较高。一般的分类器方法不适用。本专利技术提出了采用双层高斯平滑窗的异常判断方法，首先对输入的检测得到的局部特征序列进行异常类别判断，定义其中离正常模式距离超过平均水平的特征为异常特征(第一层高斯平滑窗)，接着对异常特征的数量进行统计计算，将超过平均值的数量所引起的事件定义为异常事件(第二层高斯平滑窗)。本专利技术的基于参数自调节神经网络的人体异常行为检测方法中，模型参数的自动学习使得模型对多变的监控场景具有更强的适应性，通过基于双层高斯平滑窗的判断方法，能够实现快速的异常行为判别。附图说明图1是本专利技术的插入外部神经元的示意图:(a)当新的观察数据x输入时，如果x与s1之间的欧氏距离大于s1的阈值(b)那么将x作为新的网络节点，并入网络A，生成新的网络A’。图2是本专利技术的局部特征点检测效果图(UMN数据库):分别展示了在UMN数据库的三个场景视频中检测到的局部运动点；其中第一排是正常运动，第二排是异常慌乱运动。图3是本专利技术的异常行为检测效果图(UCSD Ped1数据库):框中是本不应该出现在人行道上的异常行为，如骑自行车和开车经过。图4是本专利技术的异常行为检测效果图(Avenue数据库):框中是本不应该出现在地铁站进站口的异常行为，如向空中投掷纸张和快速奔跑经过。具体实施方式下面通过具体实施例和附图，对本专利技术做进一步说明。1、特征点的检测本专利技术的特征点提取部分采用的是基于如下的时空Gabor滤波器组得到的局部运动点。这是一种基于周期性运动的运动点检测方法，利用2D空间高斯平滑核函数g外加一对1D时间高斯核函数hev，hod(公式(2)和(3))构造了三维响应函数R(公式(1))。所要获取的兴趣点的个数是通过手动调整两个核函数的尺度参数来进行设定的。本专利技术中的运动点检测是在某一固定尺度参数下进行的。下面公式中，I表示输入的图像帧，t表示当前输入的图像的时间节点，τ表示时间尺度参数，ω表示空间尺度参数。R＝(I*g*hev)2+(I*g*hod)2 (1) h e v ( t ; τ , ω ) = - c o s ( 2 π t ω ) e - 本文档来自技高网...

【技术保护点】
一种基于参数自调节神经网络的人体异常行为检测方法，其步骤包括：1)建立生长式神经气体模型，对气体神经元在插入、学习和删除过程中涉及到的模型参数进行自适应调整，包括：针对插入过程，通过两个自适应阈值，即内部插入阈值和外部插入阈值，控制外来神经元的适时插入操作；针对学习过程，根据新输入特征与其最近邻神经元的距离确定学习速率的调整幅度；针对删除过程，通过定义密度算子确定所需删除的神经元周围的网络分布情况，接着计算每个待删除神经元的平均累积分数，将平均累积分数低于平均水平且密度计算结果排位靠后的神经元删除；2)通过所述生长式神经气体模型对视频中的人体行为进行检测，采用双层高斯平滑窗的判断方法实现人体异常行为判别。

【技术特征摘要】
1.一种基于参数自调节神经网络的人体异常行为检测方法，其步骤包括：1)建立生长式神经气体模型，对气体神经元在插入、学习和删除过程中涉及到的模型参数进行自适应调整，包括：针对插入过程，通过两个自适应阈值，即内部插入阈值和外部插入阈值，控制外来神经元的适时插入操作；针对学习过程，根据新输入特征与其最近邻神经元的距离确定学习速率的调整幅度；针对删除过程，通过定义密度算子确定所需删除的神经元周围的网络分布情况，接着计算每个待删除神经元的平均累积分数，将平均累积分数低于平均水平且密度计算结果排位靠后的神经元删除；2)通过所述生长式神经气体模型对视频中的人体行为进行检测，采用双层高斯平滑窗的判断方法实现人体异常行为判别。2.如权利要求1所述的方法，其特征在于，所述双层高斯平滑窗的判断方法是：首先对输入的检测得到的局部特征序列进行异常类别判断，定义其中离正常模式距离超过平均水平的特征为异常特征；接着对异常特征的数量进行统计计算，将超过平均值的数量所引起的事件定义为异常事件。3.如权利要求1或2所述的方法，其特征在于：在检测特征点时，采用时空Gabor滤波器组得到局部运动点，得到局部运动点之后，将所有的点的局部区域的描述作为该点的局部特征。4.如权利要求3所述的方法，其特征在于：所述局部特征是3D-SIFT特征。5.如权利要求1或2所述的方法，其特征在于，步骤1)中神经网络的外部神经元插入过程是：a)局部特征向量x输入之后，在已有的神经网络神经元中找到最近的神经元s1和第二最近的神经元s2：其中，s表示全体神经元的集合中的任一神经元，Ws表示神经元x的权重；b)判断特征向量x与神经元s1或神经元s2的距离是否超过阈值或即判断是否成立，如果成立则在网络中插入外部神经元x；c)判断神经元s1和神经元s2之间是否存在直接相连的边，如果不存在，则添加一条直接相连的边，也就是：其中表示全体神经元的边集合。6.如权利要求5所述的方法，其特征在于，步骤1)中神经网络的神经元学习过程是：对于输入的特征向量x，将其与最近的神经元s1之间的欧氏距离作为误差累积到神经元s1的误差变量中；然后更新神经元s1的平均累积分数然后通过调整神经元自身权重来学习输入特征向量...

【专利技术属性】
技术研发人员：刘宏，孙倩茹，丁润伟，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：广东;44