[发明专利]基于深度残差神经网络卷积的视频监控人群行为的识别方法

权利要求书

1.一种基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，包括以下步骤：

S1：多个摄像头采集人群行为视频后进行帧图像的提取，将提取后的图像进行增广和标准化调整后形成数据源；

S2：将数据源输入至残差神经网络进行图像处理后，提取出整体人群行为特征，并基于整体人群行为特征划分为不同类别的子人群行为特征；

S3：使用PCA在每个所述子人群行为特征中创建子类，计算子类内的散布矩阵以提取关键的子类，对关键的子类内形成的方差进行学习，并使用Fisher准则对方差进行优化；

S4：对所述关键的子人群行为特征进行正则化处理，以对优化后的方差进行建模，求得建模后的模型特征值；

S5：基于所求得的每个子类的特征值，判断所有子类的异常状况，并结合其子类的人群行为，输出安全指数；

S6：将安全指数发送给人群行为检测模块，检测模块对于安全指数较低的人群子类，找到其提取出的对应帧图像，通过背景差分法和区域光流法检测视频帧图像是否有异常行为；

S7：在余弦距离度量上使用动态时间规整和第一近邻分类器来找到两个不同行为群体的帧图像的之间的相似性度量，以追踪异常人群行为的动态视频。

2.根据权利要求1所述的基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，所述步骤S4中，对优化后的方差进行建模，求得建模后的特征值包括以下步骤：

S41：计算与描述的子类内散布矩阵S_ws的特征值相关的特征向量，使用函数形式1/f，估计特征谱为：其中α和β是两个常数，以获得对实数进行建模初始部分的本征谱；

S42：通过令和来确定α和β，得到获得用于生成与真实特征值紧密匹配的模型特征值。

3.根据权利要求1所述的基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，所述步骤S3中，散布矩阵的计算公式为:

其中E是子人群行为特征的数量，其中H_i表示第i个类的子类数，G_ij表示第i个类的第j个子类的样本数，x_ijk是第i个类的第j个子类中的第k个图像矢量，是第i个类的第j个子类的样本均值，p_i和是估计的先验概率；Fisher目标函数为是总子类散布矩阵。

4.根据权利要求1所述的基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，所述步骤S2中，残差神经网络输入数据源前经过人群数据库的行为特征进行微调和训练。

5.根据权利要求1所述的基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，所述步骤S1中，数据增广的数据包括高斯噪音、翻转和亮度。

6.根据权利要求1所述的基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，所述步骤S1中，图像标准化包括将图像调整为统一像素数值，将每个通道标准化为零均值和单位标准差。