导读:本文包含了异常行为识别论文开题报告文献综述及选题提纲参考文献，主要关键词:异常行为识别,深度学习特征,动态时间规整,生成对抗网络
异常行为识别论文文献综述
汪鸿年,苏菡,龙刚,王雁飞,尹宽[1]（2019）在《基于行为关键语句特征的停车场异常行为识别方法》一文中研究指出随着技术的发展和摄像头的普及,人们对智能视频监控的需求越来越高,其中异常行为识别是智能监控系统的关键部分,对维护社会安全有着重要的作用。针对视频数据的时空特性,文中提出了将行为表示为具有时间序列性的关键语句的方法,并将这些关键语句称为行为关键语句。通过对行为关键语句的学习,实现了对停车场场景的异常行为识别。首先,对行为图像序列进行分割,提取前景目标并计算前景目标的运动周期曲线;然后,依据运动周期曲线采用动态时间规整(Dynamic Time Warping,DTW)的方法提取行为关键帧;最后,基于自然语言处理领域中的语义理解的方法,将行为关键帧表征为一系列行为关键语句进行识别。针对关键语句的时序性,采用擅长处理时序数据的长短时记忆神经网络(Long Short-Term Memory Network,LSTM)对行为关键语句进行分类。此外,为解决现有的数据不平衡问题,采用生成对抗网络(Generative Adversarial Networks,GAN)等方法扩充训练集,以增大样本空间,平衡不同类别数据量的差异。在中国科学院CASIA行为数据库和自建行为数据库上的验证结果表明,所提方法对异常行为的平均识别率达到了97%,相比于以前的方法有了明显的提升,证明了行为关键语句能更好地表征行为信息且LSTM模型更适用于学习时序数据背后的模式,因此该方法在停车场场景的异常行为识别任务上具有有效性。(本文来源于《计算机科学》期刊2019年10期）
何帆,何正伟,杨帆,刘力荣[2]（2019）在《基于电子海图的船舶异常行为识别方法研究》一文中研究指出针对船舶在航行中存在的异常行为,基于电子海图平台ECIVMS SDK,采用提出的时空分析法及航行状态判定法,有针对性的从船舶位置、间距、轨迹、航向、航速等方面对其进行研究及显示.通过实验,重点对船舶违法追越行为进行了研究,实验结果表明,船舶违法追越轨迹被描绘准确且船舶位置经纬度显示正确的准确率为82%,通过将其与位置及直观解算方法进行比较,可以得出应用于平台下此方法的数学模型得出的识别准确率更高,可实时对船舶异常行为进行监测,保障船舶安全航行.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2019年04期）
赵一秾,李若熙,曹语含,陈小静,张学东[3]（2019）在《双流卷积网络工人异常行为识别算法研究》一文中研究指出为了预防生产过程中工人意外伤害事故的发生,本文提出改进的双流卷积网络的工人异常行为识别算法,将双流深度卷积神经网络TSN与长短时记忆神经网络LSTM相融合,对输入视频的连续帧采集密集光流之后进行二次光流采集,并将光流轨迹进行堆迭形成位移场,再经过LSTM进行分类,生成工人异常行为自动警报信号。采用CAVIAR行动数据库、CASIA数据集和自建行为数据集进行了实验验证,通过与传统TSN算法对比,本文的改进算法具有较高的准确性及响应速度,能够辅助或者替代人工监控工人异常行为。(本文来源于《辽宁科技大学学报》期刊2019年04期）
胡薰尹,管业鹏[4]（2019）在《基于3D-LCRN视频异常行为识别方法》一文中研究指出自动准确识别监控视频中的异常行为在安防领域具有广泛的应用前景.本文提出一种基于3D-LCRN(3D Long-short-term Convolutional Recurrent Network)视觉时序模型的视频异常行为识别方法.首先,基于视频图像帧间的结构相似性,结合光照感应与光照补偿机制进行背景建模,获取对光照突变与背景运动不敏感的矫正光流场与矫正运动历史图.同时,针对异常与正常行为视频数据失衡问题,计算叁通道矫正光流运动历史图COFMHI(corrected optical flow motion history image),随机提取视觉词块进行聚类,对样本数量与维度进行双向扩充,充分获取样本的微分和积分运动信息.在此基础上,采用3D-CNN深度学习网络模型对COFMHI进行学习,获取局部短时序时空-域特征,结合可学习贡献因子加权的LSTM网络以压制无关、冗余、具有混淆性的视频片段,进一步提取由短时序-长时序,由局部-全局的多层次时-空域特征用于异常行为识别.通过与同类方法的客观定量对比,实验结果表明,本文方法在光照突变与背景运动等复杂场景下具有优异的异常行为识别性能,进一步表明该方法有效、可行.(本文来源于《哈尔滨工业大学学报》期刊2019年11期）
郑浩,刘建芳,廖梦怡[5]（2019）在《室内视频监控下基于混合算法的人体异常行为检测和识别方法》一文中研究指出针对目前室内人体异常行为检测和识别中照明变化、遮挡、相机移动和背景等因素对检测准确性的影响,提出一种多技术混合跟踪方法。该方法基于连续自适应均值漂移(CAMS),引入校正背景权重直方图(CBWH)和无味粒子滤波(UPF)技术处理遮挡和相似颜色对象的干扰。采用基于稀疏表达的检测方式从多种场景对目标对象的异常行为进行检测和识别,并利用均方误差统计量评估所提方法的性能。同时在公开数据集UMN上进行仿真验证。实验结果表明,该方法在不同场景中有障碍物遮挡或是具有相似颜色的其他对象情况下都能准确检测和识别目标对象。此外,该技术还可能进一步改善复杂场景下多摄像机中目标对象的跟踪性能。(本文来源于《计算机应用与软件》期刊2019年07期）
张珣[6]（2019）在《基于流量检测的用户异常行为识别机制》一文中研究指出随着网络的发展,越来越多的政府、企业和组织部署了局域网,以方便日常的办公与生活。同时,网络攻击者也在不断提升攻击技术,使得网络异常行为时有发生。为了维护局域网的安全与稳定,必须及时发现异常行为及异常类型。由于局域网的汇聚节点是内网用户连接外网的重要路径节点之一,该节点上采集的流量包含了丰富的用户行为信息,在研究网络异常方面具有非常重要的价值。此外,汇聚节点的运行速度关系到内网网络的服务速度,并且汇聚节点上实时流经的流量数量大、涉及的用户多,所以在局域网汇聚节点部署的用户异常行为识别机制必须具有高效且准确的性能。现已有许多异常行为识别方法,但对于部署在局域网汇聚节点上的识别机制还不完善,不能兼顾准确性、实时性且判定异常类型的要求,因此,论文设计了一种基于流量检测的用户异常行为识别机制,可及时、准确识别出局域网中发生异常行为的用户和异常类型。用户异常行为识别需要先检测出流量异常,发现发生异常行为的时间点。为了检测出异常时间点,论文设计了一种基于熵和线性关系的两级流量异常检测算法。为提高准确率,在时间序列上设定两级动态阈值并采用基于熵的方法对异常点进行检测,为保证实时性,仅对熵值变化程度处于一级阈值和二级阈值之间的时间点采用基于线性关系的方法进行检测,并且可以通过定义的报警触发函数识别异常类型。仿真实验结果表明论文提出的方法在准确性和实时性方面优于现有的方法。在流量异常检测的基础上,为了准确的识别出异常时间点上发生异常行为的用户,论文设计了一种基于行为相似性的异常用户行为识别算法。基于不同用户的流量中端口号使用的关联性提出用户行为相似性计算公式和k-similarity聚类算法。为提高聚类结果的准确性,该算法对离群点加以考虑,最终达到分离出异常用户分簇的目的。仿真实验结果表明论文提出的算法在识别率和误判率方面优于现有的识别方法。(本文来源于《北京邮电大学》期刊2019-06-05）
叶佳威[7]（2019）在《基于深度学习的异常行为识别算法研究》一文中研究指出随着计算机视觉和深度学习技术飞速发展,在公共安防领域,基于深度学习的一系列智能算法拥有广阔的应用市场和巨大的研究价值。针对监控数据呈现规模巨大、存在冗余无效数据、缺乏高质量标注数据等特点,如何利用深度学习进行高效、准确的异常行为识别是重要研究课题。本文主要分为两部分来开展异常行为识别的研究工作。(1)针对重新训练Inception-v3算法耗时过长,识别率不高,在缺少高质量标注数据的情况下容易发生过拟合等问题。本文使用了一种基于预训练Inception-v3迁移学习识别算法。在特征提取阶段,使用预训练好的Inception-v3算法进行迁移学习提取特征;在预测阶段,建立叁层前馈神经网络、k-近邻算法、随机森林、LightGBM、SVM、两层前馈神经网络进行行为预测,并对部分预测结果进行Average算法融合。实验结果显示:相比于重新训练Inception-v3算法,使用预训练Inception-v3算法进行迁移学习识别率更高,更不容易发生过拟合;在迁移特征的基础上,建立前馈神经网络算法预测效果优于传统机器学习算法;算法融合对异常行为识别的识别率进一步的提升。(2)针对采用单一空间流卷积神经网络提取到的特征表达能力不强,进行异常行为识别准确率不高等问题。本文使用双流CNN+LSTM混合算法,采用空间流网络处理RGB图像、时间流网络处理光流图像,分别提取外观特征、运动特征,以增强特征表达能力。同时引入LSTM建立异常行为识别分类算法,相比于普通神经网络,LSTM引入输入门、遗忘门、输出门,在一定程度避免梯度爆炸和梯度弥散,并能捕获时序信息以进行分类。实验结果显示,双流CNN+LSTM混合算法比单一空间流神经网络算法识别率更高。(本文来源于《西安科技大学》期刊2019-06-01）
张梦[8]（2019）在《基于深度学习的人体异常行为识别研究》一文中研究指出随着人们安全意识的逐步提高,基于视频监控的运动人体异常行为识别技术得到了全社会的广泛关注。然而,已有的人体异常行为识别方法计算复杂度高、模型泛化性差,且很难对其进行准确识别。所以,对视频中的人体异常行为识别方法的研究具有重要意义。为了充分利用视频中的有效信息,提高复杂场景下的人体异常行为识别率,通过研究常用的目标检测算法,基于混合高斯模型,提出一种改进的目标检测方法,采用中值法初始化背景模型,建立新的权值更新规则,并结合帧间差分法,检测出清晰的前景运动目标轮廓,并进一步提取出人体运动关键区域;采用Farneback稠密光流算法计算关键区域的光流值,获取时空信息。通过分析基于深度学习的行为分类模型,结合卷积神经网络(CNN)和长短时记忆网络(LSTM),建立一种基于Dropout机制的CNN-LSTM混合双流网络模型。输入视频序列运动关键区域的原始图像和迭加的光流图像,对时空信息中的动、静态特征和时序信息进行学习。采用加权融合的方式对两路网络的Softmax输出进行加权计算,得到最终的分类结果。在行为分类的基础上实现对视频中人体异常行为的识别,并利用测试样本对改进的双流模型进行测试分析。测试结果表明,运用改进的双流网络模型对测试集上的行为分类准确率达到了91.2%,其中异常行为的识别率为92%,相较于文中对比的叁种模型,分别提高了 6%、8.3%、3.4%,说明了本文改进的模型具有较好的识别效果,为人体异常行为识别研究提供了一定的理论参考。(本文来源于《西安科技大学》期刊2019-06-01）
田联房,吴启超,杜启亮,黄理广,李淼[9]（2019）在《基于人体骨架序列的手扶电梯乘客异常行为识别》一文中研究指出手扶电梯(简称扶梯)乘客异常行为识别研究具有重要意义.针对传统行为识别算法易受环境影响、不能实时并准确对多目标进行识别的问题,提出一种基于人体骨架序列的扶梯乘客异常行为识别算法.该算法首先通过结合可变形组件模型特征的支持向量机检测乘客人脸,并用改进的核相关滤波器对其进行跟踪,从而得到乘客在扶梯中的运动轨迹;接着利用卷积神经网络提取轨迹中乘客的人体骨架序列,并通过模板匹配从乘客人体骨架序列中检测异常行为骨架序列;最后利用动态时间规整将其与各类异常行为骨架序列匹配,基于k近邻方法识别异常行为.对10段扶梯视频的实验结果表明,文中所提的异常行为识别算法处理速度达到10帧/秒,识别准确率为93.2%,能够实时、准确地识别多种乘客异常行为.(本文来源于《华南理工大学学报(自然科学版)》期刊2019年04期）
贾双成,杨凤萍[10]（2018）在《复杂场景下港口水域船舶异常行为智能识别方法》一文中研究指出传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。(本文来源于《舰船科学技术》期刊2018年24期）
异常行为识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对船舶在航行中存在的异常行为,基于电子海图平台ECIVMS SDK,采用提出的时空分析法及航行状态判定法,有针对性的从船舶位置、间距、轨迹、航向、航速等方面对其进行研究及显示.通过实验,重点对船舶违法追越行为进行了研究,实验结果表明,船舶违法追越轨迹被描绘准确且船舶位置经纬度显示正确的准确率为82%,通过将其与位置及直观解算方法进行比较,可以得出应用于平台下此方法的数学模型得出的识别准确率更高,可实时对船舶异常行为进行监测,保障船舶安全航行.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
异常行为识别论文参考文献
[1].汪鸿年,苏菡,龙刚,王雁飞,尹宽.基于行为关键语句特征的停车场异常行为识别方法[J].计算机科学.2019
[2].何帆,何正伟,杨帆,刘力荣.基于电子海图的船舶异常行为识别方法研究[J].武汉理工大学学报(交通科学与工程版).2019
[3].赵一秾,李若熙,曹语含,陈小静,张学东.双流卷积网络工人异常行为识别算法研究[J].辽宁科技大学学报.2019
[4].胡薰尹,管业鹏.基于3D-LCRN视频异常行为识别方法[J].哈尔滨工业大学学报.2019
[5].郑浩,刘建芳,廖梦怡.室内视频监控下基于混合算法的人体异常行为检测和识别方法[J].计算机应用与软件.2019
[6].张珣.基于流量检测的用户异常行为识别机制[D].北京邮电大学.2019
[7].叶佳威.基于深度学习的异常行为识别算法研究[D].西安科技大学.2019
[8].张梦.基于深度学习的人体异常行为识别研究[D].西安科技大学.2019
[9].田联房,吴启超,杜启亮,黄理广,李淼.基于人体骨架序列的手扶电梯乘客异常行为识别[J].华南理工大学学报(自然科学版).2019
[10].贾双成,杨凤萍.复杂场景下港口水域船舶异常行为智能识别方法[J].舰船科学技术.2018