基于視頻對象和深度學習的異常行為分析系統設計要點與實踐

黃侃 朱業求

（江西交通職業技術學院，江西 南昌 330013）

隨著我國視頻監控技術的不斷發展，由于對系統設備的要求越來越高，因此相關技術領域逐漸出現了發展瓶頸，導致發展的速度有所下降。但是，在信息技術應用范圍不斷擴展的背景下，視頻監控技術以此為依據，構建起相應的異常行為分析系統，能夠進一步提升對視頻對象的分析能力，并且實現有效的深度學習，實現了視頻監控的智能化發展，減少了相關工作人員的監控強度，也能使視頻監控系統的使用價值得到進一步提升。這種基于視頻對象和深度學習的異常行為分析系統，能夠對視頻監控對象實現自動跟蹤和有效檢測，從而實現更加智能化的自動分析，有利于降低監測過程中的成本消耗，進一步提高監控的精準程度，是未來監控系統發展的主要方向。

1 異常行為分析系統

智能監控系統在不斷升級的過程中，更加先進的計算機視覺技術能夠更加準確地把握視頻監控對象的各種行為，對其中存在的異常行為進行自動化的智能分析。通過合理利用視覺算法的強大優勢，能夠有效地理解視頻對象所呈現的具體圖像內容，并采取視頻信息處理的有效手段，讓系統能夠精準定位視頻對象，同時對其進行有效的跟蹤處理。因此，在進行異常行為分析系統的設計時，所使用的算法是確保系統能夠順利實現其功能的重要環節[1]。同時，異常行為分析系統通過合理使用算法，并建立起光流方向直方圖模型，能夠讓整個系統的檢測精準度得到進一步提升，進一步提高在不同領域的使用價值，對于我國智能監控產業的持續發展有積極的促進作用。

2 基于視頻對象和深度學習的異常行為分析系統設計要點

針對基于視頻對象和深度學習的異常行為分析系統進行設計時，需要注意以下四個關鍵的處理階段。

第一，需要對異常行為分析系統的評估和跟蹤算法進行有效的設計，這樣才能夠進一步提高視頻對象檢測的效果，也才能夠進一步推動目標模型檢測質量的提升，通過科學合理的算法對目標圖像序列上具體目標的位置進行有效的分析，這樣才能夠讓系統順利完成對視頻對象的有效圖像跟蹤。

第二，需要對異常行為分析系統的關鍵部分坐標信息進行有效的整理，通過合理的算法對視頻對象目標所在的關鍵坐標進行確認，將與視頻對象目標無關的其他坐標進行有效的篩選，從而準確地對視頻對象目標的相關行為進行有效的分析，這樣能夠進一步提高對視頻對象異常行為的分析準確率，從而降低識別錯誤的風險。

第三，需要對異常行為分析系統中視頻對象的異常行為和正常行為進行有效的特征檢測，從而對兩種行為進行更加準確的界定，從中篩選出異常行為的特征向量，并通過異常行為分析系統中的相關分類器對不同的動作進行有效的分類，這樣就能夠更快地對大量視頻對象的各類行為動作進行有效的區分和提取，再為后續的各項參數界定提供準確的參考依據。

第四，需要對異常行為分析系統的相關參數進行準確的設置，以分類器學習算法作為主要參考對象，同時結合特征向量的不同分類，進一步提高相應界定參數的匹配性，能夠確保異常行為分析系統在不斷提取信息的過程中完成深度學習，對出現的各類異常行為進行更加精準的判斷和識別，從而進一步提高監控系統智能化的發展速度，使異常行為分析系統的使用效率得到進一步提升。

同時，在對異常行為分析系統進行設計時，還需要對其所具有的硬件內容和軟件內容進行科學合理的優化，這樣才能為后續的功能使用和功能拓展奠定良好的基礎，確保整個異常行為分析系統能夠科學運行。另外，在對異常行為分析系統進行設計優化的過程中，需要對圖像算法設計進行有效增強。需要對現有的圖像算法進行速度和精度的有效改良，這樣能夠確保異常行為分析系統24 小時運行，能夠進一步推動異常行為分析系統的模塊優化效果，能夠讓系統對不同的行為動作進行實時跟蹤和檢測，讓系統運行的穩定性得到進一步提升，減少錯報或漏報的概率。在對硬件進行改良升級的過程中，既需要確保異常行為分析系統的電源和顯示模塊能夠正常運行，同時也要進一步提升系統的報警模塊和監控模塊，在進行軟件模塊的設計時，可以通過可編輯嵌入式軟件來進一步提高系統軟件的設計質量，實現軟件的順利加載和有效驅動，并進一步提高軟件的操作效果和應用效果，這樣才能夠進一步滿足異常行為分析系統的智能化算法需求，也才能夠推動異常行為分析系統運行質量的有效提升，為智能化監控工作的健康發展奠定良好的基礎[2]。

3 基于視頻對象和深度學習的異常行為分析系統設計實踐

3.1 評估與跟蹤功能

在對異常行為分析系統進行設計時，要做好對視頻對象的評估和跟蹤功能。首先需要確保異常行為分析系統能夠順利完成目標檢測工作，這樣就能夠讓系統將視頻對象目標從視頻對象序列的各種圖像中準確地檢測出來。在異常行為分析系統中常見的技術包括計算機視覺模式識別和數字圖像處理技術，其中視頻對象目標檢測是最為關鍵的組成部分，而目標檢測中如何順利銜接目標跟蹤和識別，是目前安全監控領域需要重點解決的問題之一，這對于不同工作領域的視頻智能監控有積極的幫助。視頻對象目標檢測對異常行為分析系統的整體監控質量有直接影響，關系到系統后續的行為理解和行為分析，因此需要進一步加強對視覺技術的有效應用，同時還要推動數據深度學習的不斷發展。

視頻對象的估計算法主要基于深度學習，能夠有效地檢測出目標和目標的抽象姿態，借助算法能夠對視頻對象的人體結構和相關行為進行有效的預測和判斷，同時對每一個對象的關鍵節點坐標進行準確的評估，實現對視頻對象相關行為的準確檢測。首先，通過卷積神經網絡模型對相關特征進行提取然后再生成相應的圖像，這樣就可以將不需要進行分析的背景進行過濾；其次，再利用兩個卷積神經網絡復雜模型，分別通過分布處理的方式對生成的圖像進行有效的處理，在處理的過程中使用非最大抑制算法，對視頻對象的關節坐標面積進行有效檢測，并完成對關節坐標點的有效優化，這樣一來就能夠對視頻對象的結構關系區域進行準確的檢測，從而對視頻對象中單人的結構關系形成一套更加精準的向量優化算法，然后再將視頻對象的關節坐標點相應的結構區域進行有效結合，對神經網絡模型循環迭代實現有效的優化，讓損失的函數值能夠降到最低，這樣就能夠得到視頻對象行為聯合坐標點的最優數據。卷積神經網絡算法能夠快速地提取出不同的圖像特征，同時能夠對系統起到有效的訓練效果，幫助系統在短時間內獲取更多的目標圖像，并采用高斯響應訓練模式進一步完成異常行為分析系統的校準。這樣能夠確保異常行為分析系統的運行質量，也能夠進一步提高異常行為分析系統的分析效果和分析水平。

3.2 關鍵部分坐標信息整理

獲取關鍵部分坐標信息同樣是異常行為分析系統的重要內容之一，需要根據監控視頻的具體內容，將監控的具體對象集中在視頻對象的頭部、肩膀和手臂的上部。因此，在異常行為分析系統完成了視頻對象的有效圖像獲取之后，還需要通過有效的目標估計算法來對相應的圖像進行有效的處理，這樣能夠將目標視頻對象分析過程中不需要的部位進行有效的去除。通過有效的算法運用，能夠找到去除部位的關鍵坐標點，這樣就能夠在處理的過程中將關鍵的坐標點放置到遠點，而將需要進行處理和分析的關鍵坐標點放置在近前，這樣有利于進一步對視頻對象的關鍵坐標點進行有效的區分和連接。除此之外，為了避免視頻對象周邊的遮擋物體對分析結果造成不良影響，在設計算法時需要將圖像分為規則圖像和不規則圖像，其中規則圖像的主要關鍵節點包括視頻對象的頭、手臂、肩膀等部位；而不規則圖像則包括了其他內容。系統在進行圖像處理和分析時，只需要將不規則圖像進行丟棄，就可以得到相對更加精準的分析對象。

在對關鍵特征利用異常行為分析系統進行提取時，需要借助計算機語言和算法對人的具體行為進行有效的描述和分析，并通過自然語言進行理解。在整個過程中，是按照行為表現、視頻截取、視頻分析、視頻描述、行為輸出的順序進行。其中，通過異常行為分類器對所截取的測試序列進行有效的分類，這樣就能夠更加精準地完成異常行為的有效識別，并且能夠通過深度學習來實現對異常行為的有效更新，能夠對視頻對象目標關鍵特征的變化起到更加有效的識別，從而更加精準的判斷視頻對象的行為類別，以此做出異常的判斷。

3.3 檢測模塊優化

在對異常行為分析系統進行設計時，需要通過光流方向直線圖來有效地優化各檢測模塊。通過對兩幀之間光流值的有效計算，能夠對其中出現的各類異常行為特征進行有效地判斷。上光流信息主要是借助空間塊網格來進行有效的描述，通過判斷密集和重疊的情況來分析視頻對象是否存在異常的運動信息，并且對處于固定分辨率下的視頻圖像進行有效的光流方向特征提取，將提取的特征能夠形成一個高矢量，從而完成相關數據的有效處理。在進行光流方向的直方圖計算時，可以根據不同的角度值對光流方向的水平軸和區間進行有效計算，從而得到更加精準的直方圖。一般情況下，如果視頻對象處于異常的行為狀態中，則光流方向直方圖會展現出較大的光流速度。因此，在進行計算的過程中，需要進一步讓加全直方圖計算中的統計量得到進一步的提升，這樣才能夠讓整個圖像的信息表達效果得到進一步的提升，減少計算失誤的可能性。

3.4 深度學習

對于異常行為分析系統而言，需要進一步加強深度學習，這就需要將相似匹配度和反饋學習的效果不斷提升。在使用異常行為分析系統時，不可避免的會對一些行為產生錯誤的判別，將一個人的正常行為識別成異常行為，并發出錯誤的警報。為了降低這一現象的出現概率，就需要進一步推動[3]。異常行為分析系統的學習反饋，以特征向量相似度匹配為基本原理，對系統的行為識別進行有效的校正，同時以系統產生的錯誤識別行為作為特征向量開展反饋學習，這樣就能夠進一步提高系統的學習效果，讓系統的學習算法得到進一步的增強。同時，通過反饋學習算法，將系統的錯誤識別行為進行有效的手動標注，并將結果反饋給相應的分類器，這樣就能夠對分類參數進行自動調整和校正，再經過反復的訓練讓系統的識別質量得到進一步的提升。在實際使用的過程中，還可以進一步加強智能模塊的有效應用，從而進一步提高智能學習的效果。

3.5 仿真試驗

在對異常行為分析系統進行設計時，還需要進行仿真試驗。一般情況下，仿真試驗往往是在學校課堂教學或停車場監控中進行。其中，在對學校課堂教學進行異常行為分析系統的仿真實驗時，主要是對學生在課堂上的學習狀態進行有效的分析，例如觀察學生的轉身動作、伸手動作等，目前在試驗中取得了較為良好的試驗結果，試驗的準確率達到90%左右，并且能夠保持較長的監測時間。在對停車場進行異常行為分析系統的仿真實驗時，主要是對停車場中出現的打架行為、砸車行為、摔倒行為等進行有效的檢測，根據相關試驗研究顯示檢測的準確率達到89%左右，并且讓相關工作人員的工作量減少了80%左右，具有較高的應用價值。因此，進一步加強對異常行為分析系統的設計，提高異常行為分析系統的深度學習效果，能夠讓異常行為分析系統的視頻對象識別質量進一步提升。

4 結語

綜上所述，基于視頻對象和深度學習的異常行為分析系統在未來的智能監控領域將發揮更大的作用，因此在設計的過程中需要對目前的異常行為分析算法進行有效的優化，進一步突出視頻對象的描述能力，加強異常行為分析系統的深度學習功能，確保異常行為分析系統能夠發揮更大的價值和作用。