基于深度學(xué)習(xí)的老人異常行為研究

劉春玉 朱美玲 祝明慧

摘? 要：老年人異常行為的檢測，是幫助老年人健康生活、安全生活的有效工具。然而，由于人類行為的不確定性，是否存在異常現(xiàn)象根據(jù)環(huán)境的不同而改變等一系列因素，為老年人異常行為檢測提出重要挑戰(zhàn)。本文針對異常行為檢測的種類、方式方法，提出一種基于深度學(xué)習(xí)的老人異常行為檢測系統(tǒng)優(yōu)化策略，以期為相關(guān)領(lǐng)域的發(fā)展提供有利參考。

關(guān)鍵詞：深度學(xué)習(xí)? 老人? 異常行為

1? 異常行為檢測概述

1.1 異常行為概述

異常行為并沒有一個(gè)嚴(yán)格意義上的定義，其異常屬性取決于應(yīng)用的場景，同時(shí)也會受到檢測人員主觀思維的影響，繼而造成相同行為在差異性的場景下具有著不同的定義。例如，一個(gè)人如果在臥室的床上進(jìn)行跳高，顯然是一種異常行為，但是如果將這個(gè)人所處場景換成體育活動(dòng)中心，那么他的行為將被轉(zhuǎn)化為正常行為;再如，在火災(zāi)發(fā)生現(xiàn)場，人群的奔跑、逃離現(xiàn)象顯然屬于一種異常行為，那么將這些人的場景換成戶外體育場，那么他們的行為同樣會被轉(zhuǎn)化為正常行為。由此可見，根據(jù)特定動(dòng)作對異常行為作為具體定義顯然是錯(cuò)誤的、然而，充分結(jié)合異常行為的低頻率屬性和可疑性屬性，綜合實(shí)際被檢測人員現(xiàn)場場景，那么我們便能夠?qū)Ξ惓Ｐ袨樽龀鼍唧w定義。因?yàn)楫惓Ｐ袨榇嬖诖罅康牟豢纱_定因素，所以相同算法在不同場景中互相運(yùn)用是不切實(shí)際的方案，為將此類不確定因素降至最低，那么就需要針對每一種問題進(jìn)行具體化、針對性的分析，對應(yīng)用場景進(jìn)行合理確定，一場景為出發(fā)點(diǎn)判斷分析是否存在異常行為，或者異常行為的程度和種類。

1.2 異常行為的種類

單個(gè)老年人的異常行為是只需要一名老人參見其中的異常行為，包括跌倒、抽搐、越界等等;交互行為異常普遍回的是兩個(gè)人發(fā)生肢體碰撞產(chǎn)生的異常行為，包括吵架、打架等;群體性的異常行為指的是多名個(gè)體所構(gòu)建的一個(gè)具有緊密聯(lián)系的、整體性的異常行為，如由于騷亂而引起的大規(guī)模人群奔跑逃離等。本文主要研究個(gè)人化的老年人異常行為和交互異常行為。

1.3 異常行為檢測方法

在現(xiàn)階段的異常行為檢測方法方面，主要可以大致分為兩種類型。其一，是以視覺特征為基礎(chǔ)的異常行為檢測;其二，是以軌跡為基礎(chǔ)的異常行為檢測技術(shù)。針對物體軌跡異常行為檢測技術(shù)，大量研究人員將軌跡的運(yùn)行速度、具體位置以及時(shí)空曲率作為主要研究元素，通過多次反復(fù)研究，最終提出基于業(yè)務(wù)交互網(wǎng)絡(luò)（DBN.Business Delivery Networking）的異常行為檢測方案。北京大學(xué)楊正源教授提出以軌跡與多實(shí)例學(xué)習(xí)為基礎(chǔ)的，局部性異常行為檢測方案;馬金元、趙光道等人提出了以三次樣條曲線對軌跡目標(biāo)進(jìn)行充分展示的異常行為檢測方式等。然而，上述檢測方式均存在一個(gè)共同的問題，就是在目標(biāo)被遮擋的條件下，跟蹤性能將會受到嚴(yán)重影響，造成異常檢測失去原有功效。

2? 以深度學(xué)習(xí)為基礎(chǔ)的老年人異常行為檢測技術(shù)

深度學(xué)習(xí)是現(xiàn)階段被廣泛應(yīng)用到智能識別領(lǐng)域的理論內(nèi)容，但是針對特定場景異常行為檢測的深度學(xué)習(xí)應(yīng)用相對較少，導(dǎo)致以深度學(xué)習(xí)為基礎(chǔ)異常行為的檢測方式難以得到更加廣泛的推廣。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）在分割、檢驗(yàn)、分類等的過程中，針對既定的靜止圖像，進(jìn)行有效分析處理，在視覺任務(wù)的表現(xiàn)出極其優(yōu)越的性能。然而，對于與動(dòng)態(tài)化視頻分析處理相關(guān)的任務(wù)，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)則顯得有些力不從心，難以有效捕捉視頻當(dāng)中與動(dòng)態(tài)化的信息數(shù)據(jù)。由此可見，我們需要將額外的輔助性信息應(yīng)用進(jìn)來，在卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)有技術(shù)的基礎(chǔ)上，增設(shè)一個(gè)時(shí)間維度，使現(xiàn)有二維模式轉(zhuǎn)化為三維模式，繼而使系統(tǒng)具備捕捉運(yùn)動(dòng)物體的能力。

在深度學(xué)習(xí)異常行為檢測領(lǐng)域中，現(xiàn)階段較為常見的方式是應(yīng)用雙流卷積神經(jīng)網(wǎng)絡(luò)（Dobble Convolutional Neural Networks）。Convol Putional、Ben Well等人提出一種基于雙路的神經(jīng)網(wǎng)絡(luò)，將其用來對時(shí)間信息和空間信息進(jìn)行雙抽補(bǔ)貨。這種方式的主要特點(diǎn)在于應(yīng)用兩種模態(tài)的基本屬性，應(yīng)用RGB和光流幀，將RGB作為供給外形數(shù)據(jù)信息的主要載體，充分引入光流，繼而有效捕捉行為時(shí)間以及老年人的運(yùn)動(dòng)特征。與此同時(shí)，在該研究實(shí)現(xiàn)后，也陸續(xù)出現(xiàn)了各種類型的，以雙流網(wǎng)絡(luò)為基礎(chǔ)的變體實(shí)驗(yàn)，較大幅度的推動(dòng)了動(dòng)作識別技術(shù)的功能性。但是，上述方式的缺點(diǎn)在于需要對光流進(jìn)行預(yù)先提取，并且對于規(guī)模相對較大的數(shù)據(jù)處理工作來說，是一個(gè)消耗時(shí)間相對較多的過程，難以符合端到端學(xué)習(xí)的基本要求。

為有效解決雙流網(wǎng)絡(luò)技術(shù)中存在的各種問題，3D卷積神經(jīng)網(wǎng)隨之走進(jìn)研究人員的事業(yè)，在行為識別任務(wù)當(dāng)中獲取重大突破。 Christian Connor、 Victor Hammer、Finster Patrick 等人最早提出應(yīng)用3D卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，在視頻當(dāng)中提取相關(guān)信息對人體動(dòng)作進(jìn)行識別的方案，并將該方案應(yīng)用到實(shí)際的老年人異常行為檢測系統(tǒng)中。Matthew? Joshua 、Alexander William、Tristan Oliver等人提出C3D網(wǎng)絡(luò)，針對時(shí)間維度，同時(shí)對運(yùn)動(dòng)、外觀實(shí)施建模，并且在每一個(gè)視頻分析的過程中的應(yīng)用有效超過了二維卷積網(wǎng)絡(luò)的應(yīng)用效果。

3? 基于深度學(xué)習(xí)的老人異常行為檢測系統(tǒng)改進(jìn)方案

在老年人行為識別的過程中，老年人屬于一種非剛性的主體，其行為表現(xiàn)具備較高的開放性和靈活性特點(diǎn)，這也對智能化檢測提出巨大挑戰(zhàn)。鑒于此，怎樣提取能夠判斷老年人行為特點(diǎn)，是相關(guān)研究領(lǐng)域的難點(diǎn)和重點(diǎn)，和行為外形特點(diǎn)進(jìn)行對比，因?yàn)闀r(shí)間上運(yùn)動(dòng)特征普遍難以較高水平的實(shí)現(xiàn)建模，容易造成部分運(yùn)動(dòng)信息丟失的問題。因此，在常規(guī)性的時(shí)間順序結(jié)構(gòu)當(dāng)中，我們普遍在網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中應(yīng)用一個(gè)相對固定的時(shí)間順序生層次3D卷積網(wǎng)絡(luò)，完成老年人行為提取任務(wù)。該方式與多時(shí)間跨度的時(shí)間順序信息契合度較低，繼而造成時(shí)間順序信息難以得到高水平、全方位的利用，阻礙異常行為識別的準(zhǔn)確性。

4? 結(jié)語

綜上所述，將深度學(xué)習(xí)理論應(yīng)用到老年人異常行為檢測系統(tǒng)當(dāng)中，優(yōu)化深度網(wǎng)絡(luò)模型，在3D卷積網(wǎng)絡(luò)的基礎(chǔ)上，引入可變性的時(shí)間順序深度卷積，充分結(jié)合深度可分離卷基層網(wǎng)絡(luò)，能夠有效優(yōu)化模型對時(shí)間順序數(shù)據(jù)信息的應(yīng)用質(zhì)量和應(yīng)用效率，是一種改善老年人異常行為檢測系統(tǒng)工作能力的有效方式。

參考文獻(xiàn)

[1] 向玉開，孫勝利，雷林建，等.基于計(jì)算機(jī)視覺的人體異常行為識別綜述[J].紅外，2018，39（11）：1-6，33.

[2] 吳沛佶，梅雪，何毅，等.基于深度網(wǎng)絡(luò)模型的視頻序列中異常行為的檢測方法[J].激光與光電子學(xué)進(jìn)展，2019，56（13）：134-140.

[3] 廖鵬，劉宸銘，蘇航，等.基于深度學(xué)習(xí)的學(xué)生課堂異常行為檢測與分析系統(tǒng)[J].電子世界，2018（8）：97-98.

[4] 楊銳，羅兵，郝葉林，等.一種基于深度學(xué)習(xí)的異常行為識別方法[J].五邑大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，32（2）：23-30.