基于深度网络模型的视频序列中异常行为的检测方法 
下载： 1234次
Method of Detecting Abnormal Behavior in Video Sequences Based on Deep Network Models
南京工业大学电气工程与控制科学学院, 江苏 南京 211816
图 & 表
图 1. CNN流程图
Fig. 1. CNN flow chart
下载图片 查看原文
图 2. 异常行为
Fig. 2. Abnormal behaviors
下载图片 查看原文
图 3. 正常行为
Fig. 3. Normal behaviors
下载图片 查看原文
图 4. 直接分类的结果
Fig. 4. Direct classification results
下载图片 查看原文
图 5. 预处理后的结果
Fig. 5. Processed results
下载图片 查看原文
图 6. Adam算法优化结果
Fig. 6. Adam algorithm optimization results
下载图片 查看原文
图 7. λ与过滤性能的关系
Fig. 7. Relationship between λ and filtering performance
下载图片 查看原文
图 8. 收敛曲线对比
Fig. 8. Convergence curve comparison
下载图片 查看原文
图 9. 误识率曲线对比
Fig. 9. Misrecognition rate curve comparison
下载图片 查看原文
图 10. 几种算法的对比
Fig. 10. Comparison of several algorithms
下载图片 查看原文
表 1卷积神经网络参数
Table1. Convolutional neural network parameters
| Layer | Size /(pixel×pixel) | Number of layers |
|---|
| Input | 28×28 | 1 | | Convolution kernel | 5 ×5 | 3 | | Pooling layer | 2 ×2 | 3 | | Fully connectedlayer | 192 ×1 | 2 | | Output | 10 ×1 | 1 |
|
查看原文
表 26种优化算法误识率对比[21]
Table2. Comparison of misidentification rates of six optimization algorithms[21]
| Algorithm | SGD | AdaDelta | NAG | AdaGrad | Adam | RMSProp |
|---|
| False rate /% | 16.15 | 19.56 | 28.68 | 18.97 | 12.33 | 17.37 |
|
查看原文
表 3误识率对比
Table3. Misrecognition rate comparison
| Number ofiterations | Oldmisrecognitionrate /% | Newmisrecognitionrate /% | Reductionrate /% |
|---|
| 100 | 50.44 | 19.18 | 61.97 | | 1200 | 27.15 | 12.69 | 53.26 | | 2200 | 20.26 | 10.27 | 49.31 | | 3400 | 15.34 | 8.43 | 45.05 | | 4000 | 12.33 | 8.01 | 35.04 |
|
查看原文
表 4不同算法识别效果
Table4. Recognition effect of different algorithms
| Algorithm | Two-stream | TSN | iDT | TRN | Thispaper |
|---|
| False rate /% | 9.37 | 7.93 | 8.54 | 7.26 | 8.01 | | Reduction rate /% | 14.5 | -1.0 | 6.2 | -10.3 | - |
|
查看原文
表 5在UT-interaction database上的识别效果
Table5. Recognition effect on UT-interaction database
| Algorithm | Two-stream | TSN | iDT | TRN | Thispaper |
|---|
| False rate /% | 12.62 | 9.49 | 10.44 | 8.92 | 9.53 | | Reduction rate /% | 24.5 | -0.4 | 8.7 | -6.8 | - |
|
查看原文
吴沛佶, 梅雪, 何毅, 袁申强. 基于深度网络模型的视频序列中异常行为的检测方法[J]. 激光与光电子学进展, 2019, 56(13): 131101. Peiji Wu, Xue Mei, Yi He, Shenqiang Yuan. Method of Detecting Abnormal Behavior in Video Sequences Based on Deep Network Models[J]. Laser & Optoelectronics Progress, 2019, 56(13): 131101.
PDF全文
