基于长短时记忆神经网络的异常行为识别研究

《基于长短时记忆神经网络的异常行为识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、Ｐ３９１．４１０６３６分类号：Ｔ１单位代码：密级：公开学号：２０１５１３０１００４、好“丨奸範七＃硕士学位论文＼＾ｊ中文论文题目：基于长短时记忆神经网络的异常行为识别研究英文论文题目：Ｒｅｓｅａｒｃｈｏｎａｂｎｏｒｍａｌｂｅｈａｖｉｏｒｉｄｅｎｔｉｆｉｃ－ａｔｉｏｎｂａｓｅｄｏｎｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙｎｅｕｒａｌｎｅｔｗｏｒｋ论文作者：王雁飞指导教师：苏菡专业名称：计算机应用技术研究方向：模式识别所在学院：计算机科学学院论文提交日期：年月日四川师范大学学位论文独创性声明，１丨

2、ｆ长丨本人声明：所呈交学位论文途４給酌为咪杯是本人在导师指导下，独立进行研宄工作所取得的成果。除文中已经注明引。用的内容外，本论文不含任何其他个人或集体己经发表或撰写过的作品或成果对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律结果由本人承担。一。本人承诺：已提交的学位论文电子版与论文纸本的内容致如因不符而引起的学术声誉上的损失由本人自负。／学位论文作者：三腾及签字日期：刊年＜月名日么学位论文出版授权书本人完全「Ｔ士学位论文全文数据库出版章程》丨ｊ意《中凼优秀博硕“”（）：以下简称窣柷，愿意将本人的硕」学

3、位论文提交中国学术期刊（光盘版）屯子公忐社在《中国优秀博硕士学位论文全文数据库》中全文发表ｔ《中Ｕ彳优秀博硕士学位论文全文数据库》可以以电子、网络及其他数字媒体形式公开出版，并同意编入ＣＮＫＩ《中闺知识资源总库》，在《中国博硕士学位论文评价数据库》中使用和在互联网“”上传播，同意按京程规定享受相关权益。■極作名签名：＿＿￡＿ｉＩ论文题Ｈ：己甚丨殘闷絲的轉车级病葷妨为识别种钇毕业院校：四川师范大学毕业年份：：！御这月、？蓄所学专业：ｉｔ所在学院■好ｆ机納４？机应用＃ｖ说明：本授权則Ｉ屮即，术期刊（光盘版）屯－ｆ杂志社保存。联系

4、电话Ｔ（Ｕ０－６２７９１９５１６２７９３１７６６２７９０６９３传真：０１０６２７９１８１４通倍地址：北京沾华大学邮局８４－４８信箱采编屮心邮编：１０００８４基于长短时记忆神经网络的异常行为识别研究计算机应用专业研究生王雁飞指导教师苏菡摘要行为识别一直以来都是模式识别和计算机视觉等领域的研究热点，在智能视频监控、视频数据内容检索、虚拟现实等方面有广阔的应用市场和巨大的应用价值。行为识别的研究涉及到数字图像处理、信号处理、模式识别等领域的热点、难点问题，对其的研究具有较高的理论研究价值。区别于传统的行为识别方法，本文采用了深度学习的方法对行为识别进行研究。传统的行为

5、识别方法常常是把特征提取作为研究的核心，而采用深度学习算法则在一定程度上实现了算法自身学习数据特征，并能对学习来的有效的特征进行分类。这在一定程度上减少了人工的干预。本文对行为图像序列进行了关键帧提取，将任一行为表征为具有时间序列性的行为关键语句。针对关键语句的时序性，本文采用了擅长处理时序数据的长短时记忆神经网络(LongShortTermMemoryNetwork，LSTM)对行为关键语句进行了分类，实现了针对停车场场景的异常行为识别。考虑深度学习算法通常需要大量的数据才能训练出较好的模型。本文在已存在的数据的情况下，采用深度卷积对抗生成网络(DeepConvolution

6、alGenerativeAdversarialNetworks，DCGAN)等生成了数据，达到了增大数据量、平衡不同类别数据量的差异的效果。本文在中科院CASIA行为数据库和自建行为数据库进行了实验验证，实验结果表明本文的异常行为识别方法行之有效。本文的工作内容如下：（1）在已有停车场行为数据的基础上对数据库进行了扩充，增加了300多段行为视频数据。扩充的行为视频数据考虑了多视角问题，确保了行为视频数据的多样性。并对所有的视频数据进行了目标检测及降噪等预处理。（2）提出了基于动态时间规整（DynamicTimeWarping，DTW）的行为关键语句表征方法。首先，对降噪后的行为

7、序列计算了运动周期曲线。然后，通过运动周期曲线及DTW的方法提取了行为关键帧，并参考语义理解的方法，将行为关键帧表征为一系列行为关键语句，较好地保留了行为序列的时序性特征。（3）针对目前停车场场景数据不足及不同类别数据量不平衡问题，本文采用了数据增强、生成对抗网络（GenerativeAdversarialNetworks，GAN）、DCGAN等方法生成了行为关键语句，满足了数据的多样性。充足多样的数据是本文行为识别模型获得较强泛化能力的有力保障。（4）提出了基于LSTM的异常行为识别方法。