[发明专利]基于线性动态系统和深度网络的异常行为检测方法

摘要

本发明提供了一种基于线性动态系统和深度网络的异常行为检测方法。本发明将LDS动态系统模型与TSN深度学习网络相结合，通过TSN提取动作的时空特征信息，然后通过LDS将动作特征串联为完整的行为特征，最后通过支持向量机SVM判断行为类型。本发明在残差网络的基础上搭建了3D卷积网络，通过2D+1D形式构建3D卷积核，降低了网络参数量，并解决了原3D网络无法预载入权值的问题；在TSN结构中引入了残差3D网络，增加网络的特征提取能力；增加了网络层数，提升了网络的拟合能力。本发明能够实现长序列异常动作的高精度识别，最终达到对异常行为的精确监测。

主权项

1.一种基于线性动态系统和深度网络的异常行为检测方法，其特征在于，该方法包括以下步骤：(1)首先获取视频数据，进行光流法和归一化操作，将归一化操作后的视频集进行数据增强，分割为训练集和测试集；(2)通过预训练，获得初始化权重参数；并对TSN网络进行训练；(3)利用训练好的TSN网络提取视频特征；(4)将通过LDS来判断压缩后的时空特征之间存在时序关系，先通过已知动作类型的时空特征对LDS系统中的参数进行整定，即从连续的视频片段中学习出该类动作的LDS参数属性M＝(μ,A,B,C)，通过自回归模型来达到整定参数的目的；动作类型数为N，会生成N种LDS参数类型；(5)当整定完LDS参数后，可输入对应的时空特征变量，此时LDS能输出观测变量Lt；利用已知标签的观测变量来训练SVM分类器，并通过SVM对所预测的行为特征进行分类，从而分辨出一般行为和异常行为。