利用SVM和ResNet50模型分析不同背景监控视频中的人类异常活动模式
1. 引言
随着人口的不断增长,大多数公共场所都挤满了人,因此对这些场所进行监控和管理人群活动变得至关重要,这有助于提高公共安全并保护物理资产。如今,监控系统的成本和维护费用大幅降低,但不受欢迎的活动发生率却有所增加,影响了许多受监控的场所。然而,手动分析监控视频是一项繁琐的任务,由于视频文件较大且包含各种不同的活动,容易导致信息丢失。因此,自动异常活动检测系统显得尤为重要。
这项工作的目标是在四个数据集(‘SAIAZ’(学术区域学生活动) - 走廊、‘SAIAZ’ - 开放空间、来自YouTube的教室暴力视频(cc)以及混合背景数据集(MBD))中识别诸如掌掴、踢打、拳击、奔跑和打架等异常活动。其中,‘SAIAZ’数据集由本校学生志愿者创建,MBD则是从各种视频中选取的帧的集合。
本研究旨在比较经典SVM模型和ResNet50模型在这些数据集上的性能。SVM分类模型的工作流程如下:
1. 获取视频序列;
2. 使用背景减法分割前景对象;
3. 通过Hu不变矩提取统计和Hu特征;
4. 使用SVM分类器进行动作分类。
而深度学习架构,特别是CNN架构,是对象检测和分类的有效方法。ResNet50深度学习模型由49个卷积层和1个全连接层组成,它使用跳跃连接(残差连接)来避免训练期间的信息丢失。
2. 相关工作
近年来,监控数据量急剧增长,因此需要一个组织良好且一致的视频监控系统来处理这些数据。以下是一些相关的异常动作检测系统:
- 基于光流直方图的方法 :使
超级会员免费看
订阅专栏 解锁全文
695

被折叠的 条评论
为什么被折叠?



