無監督學習的人體行為異常檢測研究

摘 要 人體行為的異常檢測一直是計算機領域的熱點問題，近些年，相關研究基于人體姿態及異常已經解決了很多實際問題，但是由于人體行為異常檢測是依賴人體姿態研究所展開的，而傳統方法產生的姿態數據可靠性相對較低，為了進一步提高行為異常檢測的準確性，文中將引入深度學習算法，并做了無監督學習進行行為異常檢測的相關研究。

關鍵詞 無監督學習;行為異常檢測;相關研究

本文主要通過深度學習技術，獲得人體姿態中各關節點信息，采取一定的方式存取數據后，通過無監督學習對數據進行特征提取及聚類分析，從而達到人體行為異常檢測的目的。

行為的異常檢測主要分為三個部分，即包括通過深度學習技術獲取置信度較高的人體關節點數據，將數據進行處理并通過EM算法提取人體特征，對特征做整理并進行無監督的聚類算法。在異常行為的檢測中，產生的姿態數據及人為定義的特征均無標簽，因此無監督學習可以從數據本身出發，發掘深藏在數據中的規律，通過設定一定閾值分析行為特征，達到良好的聚類效果。

1AlphaPose人體姿態估計算法

AlphaPose是一種置信度較高的人體姿態估計算法，它的目標就是通過分析圖片或視頻，獲取出現在其中人物的姿態信息即關節點坐標，直觀展示如圖1所示。

圖1? 人體姿態估計樣圖

通過網絡模型預測，生成json格式文件，其中包含身體既定關節點x與y軸的坐標信息、幀數、置信度、id等字段。

2利用EM算法迭代求得特征

由于網絡模型的輸出包含多個信息，但相對雜亂，因此根據數據本身的特點，建立了符合一定要求的隊列結構，隊列有著先進先出的特點，恰好符合我們對視頻流的要求。同時根據數據建立面向對象的概念，實例化多個對象對應不同姿態，從而方便后續的研究。

由于視頻是由多幀組成，同一個人可能在每一幀中都出現，也有可能會有新的人物進入視頻，所以獲得的數據文件是較為混亂的且包含多種多樣的信息。

根據這個問題，本文對數據的表達形式做了新的處理?；谘芯繉ο鬄槿梭w的姿態，因此建立了姿態類包含多種屬性。同時，定義了人體的特征，通過人體特征的定義，即可在一定程度上代表該人物的肢體動作幅度。

EM算法是一種迭代優化策略，它由E步（期望步）M步（極大步）所構成。對已定義的特征求得每幀的均值和方差，通過EM算法找到一個合適的高斯分布，也就是確定高斯分布的參數。將特征值組合求得相應的分布參數后，研究對象動作在每幀的分布參數即可作為新的特征。

3無監督學習的聚類算法進行異常檢測

通過上述方法，已經可以找到合適的方法獲取人體姿態的相關信息和較為科學的特征表示方法，在上文中定義了人體的七個動作特征，選取特征通過不斷的迭代，得到我們用于聚類的新特征。

通過聚類會選取初始質心，設定一定的閾值，不斷重復，直到質心位置變化小于指定的閾值，達到最大迭代次數。同時選取一定時間段，定義少數人的動作為行為異常，以到達識別異常行為的目的。

4結果展示

目前，通過已有視頻的分析處理以及上文介紹的方法，已經可以對一些視頻中的行為異常人群做出檢測，通過在原視頻中畫框以標注出來。檢測結果如圖2所示。

圖2? 行為異常檢測展示圖

5結束語

雖然目前已對一些視頻中的異常行為做出了檢測，但仍有很多不足，真正應用還有一些難題。主要集中于以下幾點：

（1）場景復雜帶來的遮擋問題。

（2）人與人之間的遮擋問題。

考慮到復雜視頻的多變性，還需要有針對性地對一些細節進行改進，通過大量理論研究及大量實驗，對現有研究方法及模型進行微調，從而以到達預期的、具有真正實用價值的異常行為檢測模型。

參考文獻

[1] 郁映卓.基于人體運動特征的異常行為檢測和姿態識別[D].西安：西安電子科技大學，2011.

[2] 邱藤.基于高斯混合模型的EM算法及其應用研究[D].北京：科技大學，2015.

作者簡介

李樂（1994-），男，甘肅蘭州人;學歷：碩士，現就職單位：沈陽理工大學，研究方向：大數據處理與分析技術。