對視頻中的異常行為進行檢測十分有用，比如可以通過監控視頻分析流水線車間或者實驗室中的異常行為，這是一類比較簡單的情形。
因為在流水線車間，設備使用正確，衣著裝備佩戴正確就是正常，否則就是異常。
在實驗室中，穿工作服就是正常，沒穿就是異常。

針對這種情形，設計方法一。

方法一：基于YOLO的二分類異常行為檢測?? ?

此方法其實就是強行把異常行為進行二分，此方法只可以應用于特殊場景：
-- 比如在實驗室，穿了實驗服就是正常，沒穿就是異常
-- 或者在流水線，戴頭盔就是正常，沒帶就是異常
-- 這種方法的目的就是為了方便進行數據標注

因為對于特定場景下，人體異常行為存在復雜多樣、較難明確定義的問題，對此，一種簡單的解決方式是將人體行為分為兩類，忽略中間的過渡行為分為正常行為和異常行為。
因為對于如實驗室這樣的特定場景，異常行為識別的需求可能只是是否穿戴工作服和工作帽這類簡單的分類問題，所以分為兩類可以很好的解決異常行為定義的問題。

但此方法檢測場景有限，對于更通用的場景，如果要進行異常行為檢測， 一個很大的難點是異常行為數據過少，比如要進行ATM機監控視頻的異常行為檢測，但并不是很常有搶劫、偷盜等情況發生。
由此，我們可以設計一個 編碼器-解碼器對抗網絡+雙流網絡來構建異常行為檢測模型。

方法二：編碼器-解碼器對抗網絡+雙流網絡法

1、使用編碼器-解碼器對抗網絡重構圖像
-- 圖片，就是一個多維矩陣，所謂重構圖片，就是基于已有特征，重構一個多維矩陣
-- 編碼器的作用在于從高緯度總結特征
-- 解碼器作為在于把總結的高緯度特征解碼為低緯度矩陣
-- 最終通過解碼器的上采樣，完成維度降低和規模增大（上采樣與池化相對）
-- 編碼器-解碼器網絡的學習過程，同樣最重要的在于構建損失，此處的損失可以是重構圖像與輸入圖像的向量差

2、使用雙流網絡進行兩個方面的檢測
-- 一個網絡進行像素檢測，利用像素檢測抽取空間特征
-- 另外一個網絡進行姿態檢測，利用姿態檢測縮小檢測范圍，鎖定人的行為特征
-- 最終將這兩部分，加權為編碼器網絡的輸出

3、正常行為和重構圖像之間向量差小，異常行為和重構圖像之間向量差大
-- 利用這個規律，可以在異常行為數據很少的情況下，通過對抗網絡重構圖像完成模型的訓練
-- 此方法不用進行異常行為的標注，全部是正常行為的視頻既可以完成訓練

包含正常行為的視頻幀：

對包含正常行為視頻幀的重構結果：

包含異常行為視頻幀：

對包含異常行為視頻幀重構結果：

--?可以看出，網絡并不能很好地重構包含異常行為的幀。 其差異較大。通過對比其特征向量的差異，則能檢測出是否存在異常行為。

參考文獻：

[1]?基于 YOLO 網絡模型的異常行為檢測方法研究 劉雪奇 ，孫勝利

[2]?利用姿態信息實現異常行為檢測 鄭爽，張軼

總結

以上是生活随笔為你收集整理的视频异常行为检测网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。