[发明专利]一种基于3D卷积的行人异常行为识别方法

权利要求书

1.一种基于3D卷积的行人异常行为识别方法，其特征在于，包括步骤：

S1：创建包含异常行为的数据集；

S2：结合视频行为识别方案，构建3D卷积神经网络；

S3：对所述数据集中的图像进行预处理，送入所述3D卷积神经网络，得到视频异常行为识别模型；

S4：输入测试监控视频，输出异常行为类型。

2.如权利要求1所述的一种基于3D卷积的行人异常行为识别方法，其特征在于，所述步骤S3具体实施步骤如下：

S3.1：对训练视频大小调整分辨率，使用稀疏采样方案在长视频序列上提取短片段，在各短片段的时间维度上进行均匀采样，最终将各短片段中的采样帧拼接为一组连续帧；

S3.2：将输入图像送入3D卷积神经网络，通过三维卷积操作，非线性激活函数，三维池化操作层层堆叠，逐层从原始数据获取高层语义信息，输出学习的特征向量；

S3.3：计算输出层实际值和输出值间的偏差，根据反向传播算法中的链式法则，得到每个隐藏层的误差，根据每层的误差调整各层的参数，完成网络的反向传播过程；

S3.4：迭代S3.1和S3.2中的正向传播和反向传播过程，直至网络收敛。

3.如权利要求1所述的一种基于3D卷积的行人异常行为识别方法，其特征在于：

所述异常行为数据集筛选收集于KTH、CASIA、Kinetics、UCF-101数据集以及网络视频数据，包括正常行走行为和异常行为，所述异常行为包含骑自行车/滑滑板/平衡车、打架斗殴、遛狗和摔倒，每类行为分为训练集、验证集和测试集。

4.如权利要求1所述的一种基于3D卷积的行人异常行为识别方法，其特征在于：

所述3D卷积神经网络，将3D多纤维单元加入ResNet-18网络中，并将平均池化层替换为自适应池化层，用于聚合对最终任务具有辨别力的帧的信息。

5.如权利要求4所述的一种基于3D卷积的行人异常行为识别方法，其特征在于：

所述3D卷积层，采用深度可分离卷积思想，在空间域加上3×1×1的卷积核上模拟3×3×3卷积。