基于深度學習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，是否存在異常現象根據環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。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習的老人異常行為檢測系統優化策略，以期為相關領域的發展提供有利參考。

關鍵詞：深度學習? 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嚴格意義上的定義，其異常屬性取決于應用的場景，同時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，一個人如果在臥室的床上進行跳高，顯然是一種異常行為，但是如果將這個人所處場景換成體育活動中心，那么他的行為將被轉化為正常行為;再如，在火災發生現場，人群的奔跑、逃離現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化為正常行為。由此可見，根據特定動作對異常行為作為具體定義顯然是錯誤的、然而，充分結合異常行為的低頻率屬性和可疑性屬性，綜合實際被檢測人員現場場景，那么我們便能夠對異常行為做出具體定義。因為異常行為存在大量的不可確定因素，所以相同算法在不同場景中互相運用是不切實際的方案，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行具體化、針對性的分析，對應用場景進行合理確定，一場景為出發點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人發生肢體碰撞產生的異常行為，包括吵架、打架等;群體性的異常行為指的是多名個體所構建的一個具有緊密聯系的、整體性的異常行為，如由于騷亂而引起的大規模人群奔跑逃離等。本文主要研究個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的異常行為檢測;其二，是以軌跡為基礎的異常行為檢測技術。針對物體軌跡異常行為檢測技術，大量研究人員將軌跡的運行速度、具體位置以及時空曲率作為主要研究元素，通過多次反復研究，最終提出基于業務交互網絡（DBN.Business Delivery Networking）的異常行為檢測方案。北京大學楊正源教授提出以軌跡與多實例學習為基礎的，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進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共同的問題，就是在目標被遮擋的條件下，跟蹤性能將會受到嚴重影響，造成異常檢測失去原有功效。

2? 以深度學習為基礎的老年人異常行為檢測技術

深度學習是現階段被廣泛應用到智能識別領域的理論內容，但是針對特定場景異常行為檢測的深度學習應用相對較少，導致以深度學習為基礎異常行為的檢測方式難以得到更加廣泛的推廣。

卷積神經網絡（Convolutional Neural Networks， CNN）在分割、檢驗、分類等的過程中，針對既定的靜止圖像，進行有效分析處理，在視覺任務的表現出極其優越的性能。然而，對于與動態化視頻分析處理相關的任務，應用卷積神經網絡則顯得有些力不從心，難以有效捕捉視頻當中與動態化的信息數據。由此可見，我們需要將額外的輔助性信息應用進來，在卷積神經網絡現有技術的基礎上，增設一個時間維度，使現有二維模式轉化為三維模式，繼而使系統具備捕捉運動物體的能力。

在深度學習異常行為檢測領域中，現階段較為常見的方式是應用雙流卷積神經網絡（Dobble Convolutional Neural Networks）。Convol Putional、Ben Well等人提出一種基于雙路的神經網絡，將其用來對時間信息和空間信息進行雙抽補貨。這種方式的主要特點在于應用兩種模態的基本屬性，應用RGB和光流幀，將RGB作為供給外形數據信息的主要載體，充分引入光流，繼而有效捕捉行為時間以及老年人的運動特征。與此同時，在該研究實現后，也陸續出現了各種類型的，以雙流網絡為基礎的變體實驗，較大幅度的推動了動作識別技術的功能性。但是，上述方式的缺點在于需要對光流進行預先提取，并且對于規模相對較大的數據處理工作來說，是一個消耗時間相對較多的過程，難以符合端到端學習的基本要求。

為有效解決雙流網絡技術中存在的各種問題，3D卷積神經網隨之走進研究人員的事業，在行為識別任務當中獲取重大突破。 Christian Connor、 Victor Hammer、Finster Patrick 等人最早提出應用3D卷積神經網絡技術，在視頻當中提取相關信息對人體動作進行識別的方案，并將該方案應用到實際的老年人異常行為檢測系統中。Matthew? Joshua 、Alexander William、Tristan Oliver等人提出C3D網絡，針對時間維度，同時對運動、外觀實施建模，并且在每一個視頻分析的過程中的應用有效超過了二維卷積網絡的應用效果。

3? 基于深度學習的老人異常行為檢測系統改進方案

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，其行為表現具備較高的開放性和靈活性特點，這也對智能化檢測提出巨大挑戰。鑒于此，怎樣提取能夠判斷老年人行為特點，是相關研究領域的難點和重點，和行為外形特點進行對比，因為時間上運動特征普遍難以較高水平的實現建模，容易造成部分運動信息丟失的問題。因此，在常規性的時間順序結構當中，我們普遍在網絡結構當中應用一個相對固定的時間順序生層次3D卷積網絡，完成老年人行為提取任務。該方式與多時間跨度的時間順序信息契合度較低，繼而造成時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確性。

4? 結語

綜上所述，將深度學習理論應用到老年人異常行為檢測系統當中，優化深度網絡模型，在3D卷積網絡的基礎上，引入可變性的時間順序深度卷積，充分結合深度可分離卷基層網絡，能夠有效優化模型對時間順序數據信息的應用質量和應用效率，是一種改善老年人異常行為檢測系統工作能力的有效方式。

參考文獻

[1] 向玉開，孫勝利，雷林建，等.基于計算機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.基于深度網絡模型的視頻序列中異常行為的檢測方法[J].激光與光電子學進展，2019，56（13）：134-140.

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

[4] 楊銳，羅兵，郝葉林，等.一種基于深度學習的異常行為識別方法[J].五邑大學學報：自然科學版，2018，32（2）：23-30.