已有的異常行為檢測大多采用人工特征,然而人工特征計算復雜度高且在復雜場景下很難選擇和設計一種有效的行為特征.為了解決這一問題,結合堆積去噪編碼器和改進的稠密軌跡,提出了一種基于深度學習特征的異常行為檢測方法.為了有效地描述行為,利用堆積去噪編碼器分別提取行為的外觀特征和運動特征,同時為了減少計算復雜度,將特征提取約束在稠密軌跡的空時體積中;采用詞包法將特征轉化為行為視覺詞表示,并利用加權相關性方法進行特征融合以提高特征的分類能力.最后,采用稀疏重建誤差判斷行為的異常.在公共數據庫CAVIAR和BOSS上對該方法進行了驗證,并與其它方法進行了對比試驗,結果表明了該方法的有效性.

聯系：highspeedlogic

QQ ：1224848052

微信：HuangL1121

郵箱：1224848052@qq.com

網站：http://www.mat7lab.com/

網站：http://www.hslogic.com/

微信掃一掃：