基于社会力的多人异常行为检测
一种基于深度学习的异常行为识别方法
一种基于深度学习的异常行为识别方法杨锐;罗兵;郝叶林;常津津【摘要】异常行为识别与检测在安防领域有广泛的应用前景,但现有的异常行为识别方法时序信息利用率低,准确率和处理速度还难以满足实际需要.本文采用三维密集连接深度网络结构对采集视频的时序和空间特征进行基于深度学习的建模,对打架、徘徊、抢劫这三类异常行为以及正常行为类进行识别,采用多个可变时序深度的卷积核,并结合深度可分离卷积层重新设计了时序过渡层,更多地利用输入信号中的时序信息.模拟实验结果表明,本文提出的改进方法准确率达92.5％,进一步提高了模型的准确率和泛化性能.%Abnormal behavior recognition and detection have extensive application prospects in the field of security; however, the existing abnormal behavior recognition methods are low in the utilization rate of temporal information, and the accuracy and speed of processing cannot meet the actual needs. In this paper, the 3-D densely connected deep network architecture is employed to perform modeling of the temporal and spatial features of the video acquisition based on deep learning, and to recognize normal behavior and the three types of abnormal behavior: fighting, loitering, and robbery. Multiple convolution kernels with variable temporal depth combined with depthwise separable convolutional layers can be adopted to redesign the time series transition layer so as to make more use of temporal information from the input signals. Simulation results show that the accuracy of the proposed method reaches 92.5％, which further improves the accuracy and generalization performance of the model.【期刊名称】《五邑大学学报（自然科学版）》【年(卷),期】2018(032)002【总页数】8页(P23-30)【关键词】异常行为;动作识别;深度学习;时序过渡【作者】杨锐;罗兵;郝叶林;常津津【作者单位】五邑大学信息工程学院,广东江门 529020;五邑大学信息工程学院,广东江门 529020;五邑大学信息工程学院,广东江门 529020;五邑大学信息工程学院,广东江门 529020【正文语种】中文【中图分类】TP216.1异常行为识别是行为识别中一个具体化的子类，相对其他种类的行为识别，异常行为的研究显得更具有现实意义，它关乎人们切身利益——安全，异常行为的发生通常标志着异常事件的发生. 自动柜员机（ATM）24小时工作无人值守，为日常生活带来了方便的同时也存在安全隐患，ATM机取款后被抢劫的犯罪事件常有发生. 通过ATM的视频监控自动识别取款室范围内的异常行为显得尤为重要. 当识别出抢劫、打架、徘徊等行为时，系统自动报警并主动暂停现金支付、暂停退卡或锁闭防护室门等后续动作，可以有效预防ATM机前的犯罪行为. 因此，基于视频的异常行为识别是需要研究的关键技术.深度学习理论在静态图像识别和检测上的优越表现为具有时间序列的视频行为识别研究提供了新的思路，使得行为识别和深度学习理论的紧密结合成为了智能视频分析领域的研究热点[1]. 与此同时，现有行为识别的研究表明，深度学习比传统的机器学习在处理具有复杂动作的视频行为识别中更有效. 本文利用深度学习方法对特定场景下的ATM机前异常行为进行识别，设计了具有密集连接特性的深度网络，挖掘时序线索并结合深度可分离卷积（Depthwise Separable Convolution）[2]，充分利用了动作间的时序信息、空间信息进行识别，使异常行为识别性能明显改善. 异常行为的定义取决于应用场景，并且会受到一定程度的主观影响，从而导致同一种行为在不同场景下会有不同的定义，例如从暴恐案发生现场逃离的人群，是一种典型的异常行为，而参加马拉松赛跑的人群则是一种正常行为，同样都是人群跑动行为却有着截然不同的定义，因此对异常行为作出明确的定义往往是不太合适的. 但一般而言，异常行为应该具备低频性、可疑性以及非典型性. 结合具体的应用场景来说，对异常行为的定义是可行的，也是非常必要的. 正是由于异常行为定义的不确定性因素在的影响，使得同一种算法适用于通用的应用场景变得不切实际. 为了最小化这种不确定性因素的影响，需具体问题具体分析，首先需要确定应用的场景，根据应用场景来分析并定义异常行为类别.单人异常行为（如徘徊、越界、跌倒等）是只需一个人参与的一类异常行为. 交互行为异常（如抢劫、打架等）通常指双方发生肢体冲突的一类异常行为. 群体异常行为（如因骚乱造成的人群逃离）指由多人形成的一个不可分的、整体上发生的一类异常行为，需综合考虑群体密度与运动特征. 由此可见，针对ATM机所处的场景，适合研究单人异常行为中的徘徊以及交互异常行为中的打架和抢劫这3类异常行为.深度学习目前已广泛应用于行为识别，但鲜有将深度学习专门用于特定场景异常行为识别的.而现有的大型标准数据集通常都是生活中常见的视频行为数据，也使得基于深度学习的异常行为识别研究难以推广.卷积神经网络在诸如分类、检测、分割等针对静态图像的计算机视觉任务中表现十分出色，而对于基于视频分析的任务，静态图像中使用的二维卷积并不能很好地捕获视频序列中的运动信息，因此通常需要引入额外的辅助信息，如在二维卷积的基础上增加时间维度扩展为三维卷积，以便同时获得捕获时序和空间运动信息的能力. 在深度学习行为识别中一种常用的方法是使用双流卷积神经网络. Simonyan等人[3]提出了一个双路的卷积神经网络，用来分别捕获空间和时序信息，主要特点是使用两种模态的特征，使用RGB以及堆叠的光流帧，其中RGB用来提供外形信息，引入的光流用来捕获行为时序上的运动特征，后续也出现了各种基于双流网络的变体[4-5]，极大地提高了动作识别的性能，然而双流网络一般需要事先提取光流，且对于大型数据集来说，这是一个非常耗时的过程，不适宜进行端到端的学习. 为解决双流网络中存在的上述问题，三维卷积神经网络逐渐进入了人们的视野，并在行为识别任务中取得了革命性的突破. Ji等人[6]最先提出并应用三维卷积从视频中提取时空特征进行人体动作识别. Tran等人[7]提出了C3D（Convolutional 3D）网络，C3D通过增加时间维度可同时对外观和运动信息进行建模，并且在各种视频分析任务上超过了二维卷积神经网络特征，后续C3D的变体[8-10]也充分证明了三维卷积神经网络相比二维卷积神经网络更适合时空特征学习. 另外，在考虑使用基于C3D进行行为识别的实际应用中，Gu[10]提出了具有密集连接特性的深度卷积神经网路3D DenseNet，并对购物行为进行了识别，取得了不错的效果，这得益于该网络具有足够的深度以及最大化了信息的流动. 深度三维卷积神经网络中常用的基于视频的异常行为识别流程如图1所示.Huang[11]等人提出了一种具有密集连接特性的深度卷集神经网络DenseNet. 在该网络所有的层中，两两之间都存在连接，也就是说，网络每一层的输入都是由前面所有层输出特征图的并集组成，而该层所学习的特征图也会作为后面所有层的输入. DenseNet可以有效解决梯度消失问题，强化特征传播，支持特征重用以及大幅度减少参数数量. 鉴于C3D以及密集连接特性的诸多优点，本文同样也采用了类似具有密集连接特性的C3D网络进行异常行为识别.在人体行为识别中，人体是非刚性的目标主体，其行为出现的形式具有非常大的灵活性，这使得识别和检测异常行为变得非常具有挑战性，因此如何有效提取可判别的行为特征是一个研究难点. 与行为的外形特征相比，由于时序上的运动特征往往不能很好地建模，容易造成部分关键时序运动信息发生丢失. 在以往的时序结构中，大多在整个网络结构中使用一种固定时序深度的三维卷积进行特征提取，这种方式不利于融合多时间跨度的时序信息，从而导致时序信息得不到充分利用，进而阻碍了行为识别准确率的进一步提升. 为了弥补这种不足，使用可变时序深度三维卷积并结深度可分离卷积融合多时间跨度的时序信息，使用密集连接的特性最大化网络的信息流动，使得时空信息被充分利用以提高行为识别准确率.为了有效地完成行为识别任务，需增加DenseNet的时间维度以扩展到三维的情形从而构成3D DenseNet. 为此，我们根据C3D网络结合DenseNet实现了3D DenseNet的相关算法，并将包含固定时序卷积核深度的时序过渡层扩展为包含多个可变时序深度的卷积核过渡层，使其能够对时序信息进一步提炼并建模. 在3D DenseNet基础上通过增加深度可分离卷积的可变时序深度三维卷积进行了进一步的改进，使得改进后的网络能更加充分利用动作间的时序信息进行建模.与DenseNet中定义类似，3D DenseNet中两个相邻的三维密集块之间的层称为时序过渡层，并通过三维卷积和池化来改变特征图的大小. 时序过渡层由4个串联的可变时序深度的三维卷积层组成，后面接一个1×1×1的三维卷积层和一个2×2×2的平均池化层. 由于层之间的特征图存在大小差异，导致池化图层执行下采样操作时会与执行式（5）中特征图的串联操作冲突，故需将网络划分为多个密集连接的密集块，并在它们之间添加过渡层. 如图2所示，三维时序卷积以端到端的方式进行学习.输入视频第层提取到的三维卷积和池化核的输出特征图是一个的矩阵，其中分别对应特征图的高度、宽度以及通道数. 三维卷积和池化核的大小均为，其中为时序深度，为核的空间大小.第层接收所有先前图层的特征图作为输入，第层的输出特征图可表示为：其中表示层输出的特征图的串联. 表示进行三个连续运算的复合函数：先批量归一化（BN），然后是线性整流单元（ReLU），最后接一个3×3×3的三维卷积（3D Conv）.时序过渡层（TTL）由几个可变时序深度的三维卷积核和一个三维池化层组成，三维卷积核时序深度范围，其中具有不同的时序深度，第层的特征图作为输入送入到TTL层，，得到密集聚合的特征表示，其中，. 特别地，第层的特征图与个可变时序深度的三维卷积核进行卷积得到中间特征图，，，，其中当与具有不同时序深度的三维卷积核进行卷积时，，以及具有不同的通道深度. 将所有的特征图串联在一起形成单张量，然后送入到三维池化层，得到输出TTL特征，TTL的输出作为输入送入到改进后的3D DenseNet的第层. 整体结构设计如表1所示.考虑到小尺度卷积可以捕获更为精细的细节和训练速度与模型准确率之间的权衡，我们使用了、、、分别具有不同时序深度的4个三维卷积层重新设计了时序过渡层，通过执行式（1）中的串联操作，使得提取到的特征包含更多时间跨度的时序信息，实现了多时间跨度时序信息的融合.普通卷积操作为深度可分离卷积在式（6）的基础上，考虑区域和通道的方式变为先考虑区域再考虑通道的方式，实现了区域和通道分离. 深度可分离卷积的计算过程是在执行逐点卷积（Pointwise Convolution）前先执行深度卷积（Depthwise Convolution）：从而构成其中，分别表示普通卷积操作，深度卷积操作，逐点卷积操作，深度可分离卷积操作，表示元素积，分别表示带权值的卷积核与待进行卷积操作的输入图像或特征图，表示进行卷积操作后所生成特征图中的坐标值，分别表示相对卷积核中心点坐标纵、横方向绝对值最大的负偏移量以及输入图像或特征图的最小通道数，同理，分别表示相对卷积核中心点坐标纵、横方向绝对值最大的正偏移量以及输入图像或特征图的最大通道数，分别表示逐点卷积操作和深度卷积中所用的卷积核. 而深度卷积可以学习空间相关性，逐点卷积可以学习通道相关性，相当于先进行特征抽取，再进行特征融合的操作，这样可以充分利用相对较少的模型参数进行表示学习[12]，同时有效地抑制了由使用具有多个可变时序深度的三维卷积核带来模型参数量的激增. 此外，通过增加的三维卷积层有利于降低特征图的维度，从而减少模型参数量，进而提高了参数效率，并为前一层学习的表示引入了更多的非线性，提高了网络的表达能力. 考虑到在多时间跨度时序信息的融合过程中，由于所包含的时序信息可能存在一定的冗余，故在多时间跨度时序信息的融合前，对送入时序过渡层中的特征实施了降维操作，进一步大幅度减少了模型参数量.本文相关算法均使用PyTorch框架实现，使用了一块GeForce GTX 1080 NVIDIA GPU进行加速训练，其中权值衰成为0.001，动量为0.9，初始学习率为0.1，弃权值为0.5，在验证损失达到饱和3次后学习率降为原为的. 另外，由于是特定场景下的应用，为此我们建立了ATM机前行为识别模拟数据集，该数据集分为4个类别：打架、徘徊、抢劫、取款. 其中打架、徘徊、抢劫为典型异常行为类，为与异常行为类进行区分，选取取款正常行为类作为对照. 每类分为训练集、验证集和测试集，分别包含400、30、70个视频片段，每个视频频段持续时间为，数据集组成结构如表2所示. 实验数据集中的部分训练样本如图3所示.为了证明本算法的有效性，本实验实现了3D DenseNet的相关算法，并在其基础上按照上述的改进细节在自建的ATM前异常行为模拟数据集上实施了本次对比实验. 表3和表4分别为使比对算法和本算法在相同验证集中的统计结果.将表3和表4的统计结果汇总为表5所示.从表5中可以看出，对打架行为的识别的准确率最高，抢劫行为的识别准确率最低，徘徊和取款行为居中并且识别准确率相近. 这可以解释为打架行为动作幅度大，具有的运动特征比较明显，而抢劫行为与打架行为有着较高的相似度，甚至可以看作是打架行为的特例，导致抢劫行为识别较为困难. 同样，徘徊行为和取款行为也存在一定的共性，但徘徊行为相对于取款行为来说空间位置变化比较大，使得徘徊行为和取款行为可以较为容易区分并准确识别. 对表5中的行为类别准确率进行平均得到了表6中的平均准确率，并在表6中对模型参数量进行了比较.从表6中的实验结果可以看出，本文算法与改进前的算法在准确率上有了进一步的提升，同时模型参数量仅有小幅度的增加. 这说明了本算法在参数效率和准确率之间得到了较好的平衡.从图4结果来看，能较为准确地识别出对应的行为，由此证明了本实验改进算法的有效性.为验证模型的泛化能力，从网络上下载了几个与训练类别相关的视频片段，并对其进行测试.从图5结果来看，本算法可以较好地识别实际场景中的对应行为，具有较好的模型泛化性能.将深度学习应用于ATM视频的异常行为识别，改进深度网络结构模型，在基于3D DenseNet引入具有可变时序深度的卷积核过渡层并结合深度可分离卷积层，提高了模型对时序信息的利用率，进一步提高了模型的准确率和泛化性能. 由于对送入到时序过渡层中的特征实施了适当的降维操作，使得参数效率和准确率获得较为理想的折中效果. 由于实验条件和资源有限，获取的样本数量还不够大，在后续的工作中将结合实际ATM视频，研究增加样本数量后如何提高识别的准确性.【相关文献】[1] 朱煜，赵江坤，王逸宁，等. 基于深度学习的人体行为识别算法综述[J]. 自动化学报，2016, 42(6): 848-857.[2] CHOLLET F. Xception: deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, Hawaii: IEEE，2017: 1251-1258.[3] SIMONYAN K, ZISSERMAN A. Two-stream convolutional networks for action recognition in videos [C]// International Conference on Neural Information Processing Systems, Montreal: MIT Press，2014:568-576.[4]FEICHTENHOFER C, PINZ A, WILDES R P. Spatiotemporal multiplier networks for video action recognition [C]// IEEE Conference on Computer Vision and Pattern Recognition, Hawaii: IEEE, 2017: 7445-7454.[5] FEICHTENHOFER C, PINZ A, WILDES R. Spatiotemporal residual networks for video action recognition [C]//Proceedings of the 30th International Conference on Neural Information Processing Systems. New York: Curran Associates Inc, 2016: 3476-3484. [6] JI Shuiwang, XU W, YANG Ming, et al. 3D Convolutional Neural Networks for Human Action Recognition [J]. IEEE Transaction Pattern Analysis and Machine Intelligence, 2013, 35(1): 221-231.[7] TRAN D, BOURDEV L, FERGUS R, et al. Learning Spatiotemporal Features with 3D Convolutional Networks [C]//2015 IEEE International Conference on Computer Vision (ICCV), Boston：IEEE, 2015: 4489-4497.[8] HARA K, KATAOKA H, SATOH Y. Learning spatio-temporal features with 3D residual networks for action recognition [C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Hawaii: IEEE, 2017: 3154-3160.[9] SHOU Zheng, CHAN J, ZAREIAN A, et al. CDC: convolutional-de-convolutional networks for precise temporal action localization in untrimmed videos[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, Hawaii: IEEE, 2017: 1417-1426.[10] GU Dongfeng. 3D densely connected convolutional network for the recognition of human shopping actions [D]. Ottawa: University of Ottawa, 2017.[11] HUANG Gao, LIU Zhuang, VAN der M L, et al. Densely connected convolutional networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Hawaii: IEEE, 2017: 2261-2269.[12] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems, California: NIPS, 2017: 6000-6010.。
基于社会心理学分析社会上的“跟风”现象-社会心理学论文-社会学论文
基于社会心理学分析社会上的“跟风”现象-社会心理学论文-社会学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——通俗而言，跟风是指没有或缺少主见的人们对于突然盛行起来的事物不经过仔细思考，盲目跟随、参与或模仿的现象。
近年来，我国形形色色的跟风现象有愈演愈烈之势，随大流、跟风已成为一种普遍心态。
因跟风所产生的丑剧、闹剧、悲剧不断出现，而且弄得累累伤痛的事例也处处可闻。
这种社会现象不仅折射出社会转型期人们的浮躁心态，而且，在一定程度上也构成了社会群体心理亚健康的表征。
一、跟风现象产生原因的社会心理学分析人具有社会性，而人们对社会刺激能够作出反应是其社会性的体现。
社会心理学正是基于人的这一特性，从社会与个体之间的相互作用出发，探讨社会情境以及个体的内在心理因素。
跟风作为一种较为普遍的社会现象，其形成和发展与个人的心理因素有很大的相关性，是人们的某种心理因素驱使其在思想情感、行为方式乃至社会生活等方面表现出跟风这一独特性。
（一）他人取向社会心理学中所言的人的社会取向有自我取向和他人取向之分。
其中他人取向是指人们在心理与行为上易受到他人影响的一种强烈趋向。
表现为人们对镜中自我特别敏感和重视，在行为上则努力与别人一致。
在这方面，中国人表现得尤为突出。
特别是在潮流面前避异趋同思想较为明显，更加在意或重视他人的看法或想法，表现出追随别人行为的一种心理，且往往会采取与大多数人一致的行为。
在他人取向的驱使以及社会竞争与生存压力摆布下，他们克服困难的耐力下降，奋发向上的耐心也渐渐失去，不愿用勤勤恳恳的劳动来获得成功和荣誉，加之受一些媒体不负责任地炒作和推崇各种快餐式成功和速食式成名的典范的惑，他们不愿为自己做出具有价值的努力，义无反顾地选择了跟风。
（二）心理依赖心理依赖是人们由于缺乏对自我的认识和评价能力，依靠别人反馈获得自我价值的一种依赖方式。
在现代社会中，跟风主要来自于人们对各类专家的依赖。
吉登斯指出：在晚期现代性的背景下，个人的无意义感，即那种觉得生活没有提供任何有价值的东西的感受，成为根本性的心理问题。
人格测验三大类型
1、人格测验三大类型：自陈量表、评定量表、投射量表2、自陈量表的编制方式：①合理建构法：爱德华个性偏好量表EPPS、詹金斯活动性调查表JAS ②经验标准法：明尼苏达多项人格问卷MMPI ③因素分析法：卡特尔16种人格因素问卷16PF ④综合技术法：杰克逊人格问卷JPI3、明尼苏达多项人格问卷MMPI（1）哈撒威、迈金利（2）10个临床量表：疑病症Hs、抑郁症D、癔病Hy、精神病态Pd、男子气-女子气Mf、妄想症Pa、精神衰弱Pt、精神分裂Sc、轻狂症Ma、社会内向Sa（3）效度量表：①说谎量表L--一般来说L分在6分以上，最好避免使用，超过10分就不能信任MMPI的结果。
②诈病量表F：是被试作答态度的指标，可发现偏离反应；是精神病程度的良好指标，得分越高，暗示精神病越严重；根据此量表得分可以推测测验以外的行为。
一般说来，如原始分数在0~2之间（T分数为45~59）表示被试与正常人的反应是一致的。
③校正量表K：一般来说，高K值表示被试对测验的防卫性态度，反之表示过分地坦率与自我批评。
K量表的另一主要用途是根据K值校正各种临床量表的得分。
临床经验表明：Hs、Pd、Pt、Sc、Ma这几个分量表的原始分数如加上K得分与某个比率相乘的数（例如0.5K）进行校正，结果会更可靠。
④疑问量表？或Q：无确定项目，它是被试对问题作“无法回答”反应或对题目的是、否均作反应数目总数。
（4）记分方法：在Hs、Pd、Pt、Sc、Ma的原始分数上分别加上一定比例的K分，即Hs+0.5K、Pd+0.4K、Pt+0.1K、Sc+1.0K、Ma+0.2K，作为对分数的校正。
转换标准T分：T=50+10×（X-M）/S X原始得分，M平均分，S标准差（5）对问卷的解释：①简单的分量表分析，如果某个分量表的T分数大于70，则表明该被试存在某种心理问题。
②两点编码系统：将MMPI剖析图上得分的两个高峰进行编码，对这些高峰的组合进行综合解释。
“乱伦“的质性研究：他们的心理问题来自社会压力
“乱伦“的质性研究：他们的心理问题来自社会压力“乱伦禁忌”性脚本与亲属性行为者的困境此文选自方刚著《“乱伦”研究》，台湾百骏文化出版社出版，本研究想讨论的一个问题便是，影响亲属性行为当事人是否具有罪恶感，以及自我接纳程度差异的，是哪些因素，这些因素又是如何发挥作用的。
需要说明的是，本研究涉及的志愿受访者多数属于自我否定性较弱的，比较于寻求法律或心理咨询帮助的当事人，他们对自己的亲属性行为较能平和对待，较少罪恶感，其中一些人甚至持高度的自我肯定态度。
但是，这些受访者当事人，包括他们的亲属性行为对象，仍然不同程度地存在着由亲属性行为而产生的心理困扰。
作为社会中的性少数人，亲属性行为者无疑受着来自主流社会性价值观的压力，具体而言，主要是“乱伦禁忌”性脚本的压力。
（一）亲属性行为者的心理问题来自社会对亲属性行为的污名化，而非亲属性行为本身在本研究的文献综述部分，我们已经看到，主流学术界通常在强调“乱伦”给“受害者”（通常又被指为女性）所造成的心理、情感和社会行为能力的伤害，仿佛这种伤害是亲属性行为本身直接带来的必然结果。
在笔者看来，这其实假设了所有亲属性行为都是有一个强迫方的，因为只有强奸这种违背当事人意愿的性行为才会给当事人带来伤害。
如果是自愿的性行为不可能必然、直接地给当事人造成伤害，而只有当其与某种价值观结合的时候，才可能影响我们。
也就是说，影响我们身心健康的不是性行为本身，而是被附加在性行为上的不同道德与价值评判。
社会提供了一个关于“乱伦禁忌”的性脚本，对于违反这种性脚本的人，贴上一个污名化的标签，进行惩罚，这才是造成当事人心理问题的根源。
００９的外祖母是痴呆，读高中的时候，００９和外祖母有了性关系，当时他完全没有当回事，“和偷偷手淫的感觉差不多”。
后来００９上大学了，有一次偶然间看到一本书，里面写到了乱伦，“这才知道自己犯了很严重的罪”，００９开始陷入惊恐、自责中，他的症状很快便“泛化”了，寝食难安，产生了严重的心理问题。
基于SSIM稀疏自编码网络的异常事件检测
基于SSIM稀疏自编码网络的异常事件检测陈华华;刘萍【摘要】为了检测视频监控中人群恐慌逃散的异常事件,提出一种基于SSIM稀疏自编码网络的异常事件检测模型.通过提取SSIM特征来表征场景的变化程度,利用稀疏自编码网络对SSIM特征进行稀疏表示,最后通过计算马氏距离来进行异常事件和正常事件的相似度衡量,并以此进行异常事件的检测.在标准数据集UMN和web上进行实验,UMN数据集上的异常检测等错误率EER达到0.017,w eb数据集上达到0.189.【期刊名称】《杭州电子科技大学学报》【年(卷),期】2019(039)005【总页数】7页(P19-24,40)【关键词】结构相似性;稀疏自编码;马氏距离;反向传播【作者】陈华华;刘萍【作者单位】杭州电子科技大学通信工程学院 ,浙江杭州310018;杭州电子科技大学通信工程学院 ,浙江杭州310018【正文语种】中文【中图分类】TP391.410 引言智能视频监控领域中，异常事件的检测和定位是一项具有挑战性的任务。
通常情况下，异常事件指不同于正常事件、发生概率比较小的事件。
异常事件检测方法分为基于手工制作特征的方法和基于深度神经网络的方法。
文献[1]通过研究视频数据中目标轨迹来检测异常事件，然而这种方法不能解决遮挡问题，在拥挤场景中计算量非常大。
文献[2]提出使用时空特征和K近邻的概率方法检测异常区域。
文献[3]使用重建方法来检测异常，基于学习字典来表示正常事件，取得比较好的效果。
文献[4]提出基于稀疏重建的快速方法，实现了140～150帧/s的检测速率。
然而这种稀疏表示策略在训练阶段非常耗时。
文献[5]将全卷积神经网络(Fully Convolutional Networks，FCN)应用于异常检测，用迁移学习网络提取特征，对正常视频数据建立模型。
文献[6]结合深度学习网络和结构相似性(Structural Similarity Index，SSIM)特征，分别建立高斯模型，最后综合2个模型来判决是否有异常事件的发生。
社会智力的评估
虽然在上述坎特和科尔斯兆莫(1987)社会智力理论中也涉及了社会智力测量的方法，但是为了保持其理论的完整性.给大家一个整体认识，所以我们将其放在社会智力理论中阐述，而在社会智力评估中不再讨论。
一般说来，社会智力评估主要有三个方向第一个方向是针对社会成熟特征进行评估，例如:自我肯定、自我认同、社会道德观、合群性、同情心等社会行为的特质评估，第二个方向主要是针对社会智力认知层面进行评估，第三个方向是侧童个人外在行为(社会技能)的评估。
针对社会成熟特征进行评估比较有代表性的测验是欧彻斯和皮拉戈(Ochse, Plug, 1986)编制的自我认同感量表(A Sense of Personal IdentityScale)。
这是根据埃里克$"x ( F. Erikson)理论编制而成的一个自我评价is表，内容包括:“我觉得我的生活方式适合我“，“我常改变自己的人生计划.，“当我离开熟悉的人之后，我更能拥有真正的自我.等条目，其主要目的是评价个体自我认同的程度【魏美惠,1996)。
很多人格量表‘例如，田纳西人格量表)可以有效地预测出一个人的社会智力。
认知社会智力评估比较有代表性的测验有:乔治·华盛顿社会智力测验、吉尔福特社会智力测验、柴平(Chapin》社会洞察力测验和斯滕伯格社会智力量表。
乔治·华盛顿社会智力测验(George Washington Social Intelligence Test,简称GWSIT, Moss, Hunt, 1927;Moss, Hunt, Omwake, Ronning, 1927; Hunt,1928; Moss, 1931修订本有Moss, Hunt, Omwake一949年版和Moss, Hunt, Om-wake, Woodward 1955年版)是最早的社会智力测验。
该测验主要测量个体对社会环境和人际关系问题的判断能力，共由7个分测验组成。
异常行为的理论模型
无条件的积极关注，共情。
人本—存在主义理论的评估
五、来自亚洲的理论和观点
一、森田疗法：
20世纪20年代森田正马在日恩创立的治疗理论。主 要解释“神经质症”的产生和发展，并提出治疗方案 。
1 提出普通神经质、强迫观念症、发作性神经质三 类，认为神经质的形成是因为本来存在着疑病素 质，在偶然事件的诱因下，通过精神交互作用的 而形成神经质症状。其根本原因在于想以主观愿 望控制客观现实，从而引起精神拮抗作用加强所 致。
A 自我防御机制的过分使用使得个体 逐渐脱离现实。
B 不利的社会条件以及学习中的失误 C 过分的紧张应激。
马斯洛需要层次论与心理障碍
如果无法实现基 本的需要并达到 摆脱拼搏进入发 展的程度，个体 就会产生适应不 良行为和普遍的 精神紧张。
来访者中心治疗
治疗师扮演着被动的角色，并尽 可能少做解释。
4 性心理发展阶段
弗洛伊德假定个体一出生就有性欲，并会在一生中 经历不同的性心理发展阶段，在这些发展阶段中，婴 儿期和童年早期的发展对人的影响尤其深远。
“力比多”在幼年期驱动人的性心理发展，有五个发展阶段：
A 口腔欲阶段（18个月前） B 肛门欲阶段（18个月-3岁） C 生殖器欲阶段（性蕾期）3-6岁 D 潜伏期：6岁-青春期 E 生殖期：12岁开始青春期至成年
客体关系理论家致力于这些不同的表象是如何整 合成一个人的同一性及如何在冲突中表现出来的
（三）心理动力理论的评价
优点
比较全面的对人格进行了 描述，包括人格的发展、 形成方式以及在人类正常 与异常行为中的思维、情 感、经验、判断等。
构成正常和变态的行为的 心理过程在本质上是相同 的，但冲突的结果和防御 的本质将决定行为到底是 正常的，还是变态的。
群体异常行为识别方法
2016年第22期信息与电脑China Computer&Communication计算机工程应用技术群体异常行为识别方法叶 程（中国民用航空飞行学院，四川 广安 638500）摘 要：作为计算机视觉领域最为活跃的研究方向，群体行为分析近年来受到国家的重视。
针对群体异常行为的检测和识别的算法也日益发展，比如群密度估算、群体运动检测、群体行为识别等。
笔者分析了群体异常行为的特征，并分别从群体特征提取、异常识别技术和分类技术、识别数据库等方面，对当前群体异常行为识别研究进行了概述。
关键词：群体异常行为；贝叶斯方法；支持向量机方法中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767（2016）22-085-02随着经济的发展，人们之间的联系紧密，人数众多的场面也日益多样，增加了人群意外事故发生的频率，给社会的管理和安定也带来了挑战。
所以需要对群体的异常行为识别方法进行研究，通过对人群进行监控，对群体中可能出现的异常行为进行检测和识别，最大限度减少群体异常行为带来的损失。
人群行为分析在多个领域都得到应用，比如视频监控、人群管理领域、公共区域设计规划领域及娱乐领域等。
随着现代智能摄像技术的日益发展，通过视频对群体行为进行监测，利用群体分析技术，对群体异常行为进行检测和报警，是目前广泛研究的方向[1-3]。
一般人群分析技术包括四个方面，一是人群密度估计，二是群体运动检测，三是人群跟踪，四是群体行为理解。
随着信息技术如计算机视觉技术、模式识别技术、数学建模及计算机智能技术的发展，群体异常行为的检测和识别取得了很多成果。
但由于国内的研究往往跟随国外的研究思路，与我国实践结合不紧密，导致很少有高水平的的论文在此领域的重要刊物上出版发表。
所以必须对当前的前沿研究成果进行总结和分析，提出与我国实践相结合的研究方法，高效检测和识别群体的异常行为，避免群体异常行为带来的损失。
本文分析了群体异常行为的特征，并分别从群体特征提取、异常识别技术和分类技术、识别数据库等方面，对当前群体异常行为识别研究进行了概述。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其中， ｈｋ ＝
′
ｈｋ
。
ｋ
∑ｈ
图 ３ 为图 ２ 中社会力所对应的归一化方向直方图。
ｑ
其中， （ｘｉ， 为 （ｘｉ， 处的光流， 使用上一节的方法计算， Ｏ ｙｉ） ｙｉ）
９６
（ ｘｉ ， 为 （ｘｉ， 处的平均时空光流， 由 （ ｘ ｉ， 处的历史光流 Ｏａｖｅ ｙｉ ） ｙｉ ） ｙ ｉ） 及其周围的光流信息组合得到。 图 ２ 为一段视频中提取出的光流和交互力，左图中的箭头 代表光流大小和方向， 右图中的箭头代表社会力的大小和方向。
［７］ 社会力的方向分布 。
对于从多行人区域中提取到的 社 会 力 集 合 Ｆ， 其 由 运 动 区 即 Ｆ＝{ｆ１， …， 力 ｆｉ 的 方 向 为 θｉ， 域 中 多 点 的 社 会 力 ｆｉ 组 成 ， ｆ２， ｆｎ}，
图４
异常行为检测结果
图 ４ 为异常行为检测的结果。其中，矩形区域代表行人区 域， 区域中的箭头为区域中的社会力， 其上的数值为社会力方向 直方图的熵，矩形颜色为绿色表明在该区域没有检测到异常行 为， 颜色为红色表明区域中有异常行为 发 生 。 图 ４ 中 １～３ 帧 两 人正常行走没有异常情况发生， ４～８ 帧 有 三 个 人 在 打 架 被 检 测 为异常行为， ９～１２ 帧中有两人在持械斗殴被检测为异常行为。
Ｉ ｘ， ｙ， ｔ） ＝Ｉ ｙ＋ｄｙ， ｔ＋ｄｔ） （ （ ｘ＋ｄｘ，
并记 ｕ＝ｄｘ ／ ｄｔ， 有： ｖ＝ｄｙ ／ ｄｔ，
Ｉ ｘ＋ｄｘ， ｙ＋ｄｙ， ｔ＋ｄｔ） ＝Ｉ ｙ， ｔ） ＋ （ （ ｘ， Ｉ ｄｘ＋ Ｉ ｄｙ＋ Ｉ ｄｔ ｘ ｙ ｔ
（ ２）
基于社会力的多人异常行为检测 取值范围， 其 中 正 常 行 为 的 熵 值 分 布 范 围 为 １．１２４５～２．６， 异常 行为的熵值分布为 ２．４３～３．１２５，本文选取熵值 ２．５ 作为正常行 为和异常行为的判断阈值。 使用本文的算法对一段 ３０００ 帧的包 含异常行为的视频进行检测， 得到算法的检出率为 ７７．１９％。
视频中的异常行为检测主要分为两类：单人区域的异常行 为检测和多人区域的异常行为检测。单人区域的行为检测方法 适用于人群密度小， 场景简单的情形。其流程为： 首先对视频中 的行人进行跟踪，然后通过对行人轨迹或区域的分析获取最终
［１］ 的检测结果 。当监控视频中行人个数增加的时候， 由于行人之
对于视频中的图像 （ ， 基于假设 （１ ） （２ ） 可以得到： ｌ ｘ， ｙ， ｔ）
Ｆｉｎｔ ＝ｍｉ
ｑ ｄνｉ ｄν －Ｆａ ＝ｍｉ ｉ － １（ νｉ －νｉ ） ｄｔ ｄｔ τ
上世纪 ５０ 年代首先提出的［５］ ， 光流表征了空间运动物 体 在 图 像 上像素级的瞬时速度。 光流广泛应用于视频中的运动信息提取、 三维重构、 图像分割以及自动导航等方面。 常见光流提取方法有基于梯度的方法、基于块匹配方法和 基于能量的方法， 其 中 最 常 用 的 方 法 是 Ｌｕｃａｓ－Ｋａｎａｄｅ （ＬＫ） 算
［ ７］ Ｗａｎｇ Ｔ, Ｓｎｏｕｓｓｉ Ｈ． Ｄｅｔｅｃｔｉｏｎ ｏｆ Ａｂｎｏｒｍａｌ Ｖｉｓｕａｌ Ｅｖｅｎｔｓ ｖｉａ
Ｅ＝－∑ｈｋ *ｌｏｇｈｋ
ｋ＝１
′
′
（ １２）
4
实验结果 本文使用 Ｖｉｓｕａｌ Ｃ＋＋ ２０１０ 作为开发工具，结合 ＯｐｅｎＣＶ
Ｇｌｏｂａｌ Ｏｐｔｉｃａｌ Ｆｌｏｗ Ｏｒｉｅｎｔａｔｉｏｎ Ｈｉｓｔｏｇｒａｍ[Ｊ]． ｌＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｌｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ,２０１４,９(６)９８８－９９８
图３
区域的社会力及其直方图
在得到归一化的社会力方向直方图后，通过计算直方图的 熵来判断区域内行人动作的激烈程度，并以此为依据来检测区 域中的异常运动。 熵是物理学中的名词， 用来表示系统的有序程
［８］ 度， 其在信息论、 概率统计、 生物学中都有着广泛的应用 。直方
ｃｉａｌ ｌｎｔｅｌｌｉｇｅｎｃｅ, １９８１, １７:１８５－２０３
ｉ
（ １０）
进一步，对社会力的方向直方图 Ｈ 按下式进行归一化处 理， 得到归一化的方向直方图 Ｈ＇。
Ｈ′＝ ﹛ ｈ２ ， ｈ８ ﹜ ｈ１ ， …，
′ ′ ′
5
结束语 本文介绍了一种以社会力为基础的多人异常行为检测方
法， 通过对社会力在八个方向上的分布情况的统计， 以方向直方
（ １１）
图熵的大小作为异常行为检测的依据。 实验表明， 该方法能够用 于多种类型的异常行为检测。下一步要在自动阈值选择方面做 更深入的研究。 参考文献
其中， “质 量 ” ， 通 常 为 １， ｍｉ 表 征 行 人 的 ｖｉ 为 行 人 的 速 度 ， Ｆａ 为社会力， 包括 Ｆｐ 和 Ｆｉｎｔ。 Ｆｐ 为行人的内在动力， Ｆｉｎｔ 为行人受到 的来自障碍物或其他行人的交互力。 交互力能够表征多人之间的相互作用，本文通过对多行人 之间交互力的计算来分析其中的异常行为。与牛顿经典力学类 型， 社会力与目标的运动速度有关， 本文使用视频中的光流信息 来估计物体的运动速度， 则交互力 Ｆｉｎｔ 可以由式 （７ ） 计算。
［３］
因为 （ （ｘ＋ｄｘ ， ， 有： ｌ ｘ， ｙ， ｔ） ＝ｌ ｙ＋ｄｙ， ｔ＋ｄｔ）
Ｉ ｄｘ＋ Ｉ ｄｙ＋ Ｉ ｄｔ＝Ｉ ｄｘ＋Ｉ ｄｙ＋Ｉ ｄｔ＝０ ｘ ｙ ｔ ｘ ｙ ｔ
（ ３）
将上式用矩阵的形式表述为：
[ Ｉ
ｘ
Ｉｙ
]
ｕ ＝－Ｉ [] ν
Ｔ
ｔ
（ ４）
Ｔ 利用最小二乘法可以得到 （ｘ， 处像素的光流矢量 ［ｕ， 为： ｙ） ｖ］
０＜θｉ＜３６０。本文将社会力的方向分成 ８ 个区间，每个区间相差 在 ８ 个 区 间 统 计 社 会 力 方 向 直 方 图 Ｈ＝{ｈ１， …， 其 ４５ 度 ， ｈ２， ｈ８}， 中 ｈｋ， …， 由式 （１０） 求得： ｋ＝１， ２， ８ 代表不同方向区间的值，
ＨＫ ＝∑１， ４５ ＜θｉ ＜４５ｋ （ｋ－１）
作满足力学运动定律的质点，用社会力来描述行人的真实受力 以及其内在动力。 社会力的数学表达式为：
ｍｉ ｄνｉ ＝Ｆａ ＝Ｆｐ ＋Ｆｉｎｔ ｄｔ
（ ６）
1
光流的计算 光流是运动物体在三维空间
中的运动在二维的图像平面上的 投影［４］ ， 能够有效的表达物体的 运 动信息。光流的概念由 Ｇｉｂｓｏｎ 于
图１ 算法的流程图
图２
光流和社会力， （ 左） 光流 （右） 社会力
3
多人异常行为检测 本文使用社会力的方向直方图对社会力进行描述，社会力
的方向直方图是一个与行人所处位置无关的量， 在此基础上， 通 过计算社会力方向直方图的熵来区分正常行为和异常行为。 直方图是计算机视觉的经典的工具之一，其在图像和视频 处理中有着广泛的应用，可以将一些复杂的图像特征通过直方 图简单直观的表达出来，且直方图的维数通常会远远低于原始 数据的维数， 起到降维的作用。 本文采用直方图统计多人区域的
[ ｕ ν] ＝ （Ａ
Ｔ
Ａ） Ａ ｂ
－１
Ｔ
（ ５）
了较好的结果。 本文介绍了一种基于社会力 的多人区域异常行为检测方法。 实 验证明， 基于社会力的算法比基于 光流的算法在准确度上有较大的 提高， 算法的流程图如图 １ 所示。
其中， Ａ＝ ｂ＝－Ｉｔ 。 ［ Ｉｘ Ｉｙ ］ ，
2
社会力的计算 社会力将行人的运动与物理学中的运动相对比，将行人看
［６］ 法 。 ＬＫ 算法基于视频图像的局部约束， ＬＫ 算法有三个前提假
（ ７） （ ８） （ ９）
设： ① 视频中相邻两帧之间像素值恒定； ② 图像的运动在相邻两 帧之间比较缓慢； ③ 同一区域的邻近像素点之间具有相似的运 动。对于大多数的视频， 上述的三个假设是能够满足的。
（ ｘｉ ， νｉ ＝Ｏａｖｅ ｙｉ ， ｔ） （ １－ｐ） （ ｘｉ ， （ ｘｉ ， νｉ ＝ Ｏ ｙｉ ） ＋ｐＯａｖｅ ｙｉ ）
Abstract Ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａ ｍｕｌｔｉ－ｐｅｏｐｌｅ ａｂｎｏｒｍａｌ ｂｅｈａｖｉｏｒ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ｆｏｒｃｅ．Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｏｂｔａｉｎｉｎｇ ｔｈｅ ｏｐｔｉｃａｌ ｆｌｏｗ ｏｆ ｍｕｌｔｉ－ｐｅｏｐｌｅ ａｒｅａ ｉｎ ｖｉｄｅｏ,ｔｈｅ ｓｏｃｉａｌ ｆｏｒｃｅ ｏｆ ｔｈｅ ａｒｅａ ｉｓ ｃａｌｃｕｌａｔｅｄ,ｔｈｅｎ ｔｈｅ ｄｉｒｅｃｔｉｏｎ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｃｉａｌ ｆｏｒｃｅ ｉｓ ｂｕｉｌｔ,ｔｈｅ ｄｉｒｅｃｔｉｏｎ ｈｉｓｔｏｇｒａｍ ｏｆ ｓｏｃｉａｌ ｆｏｒｃｅ ｉｓ ｃｒｅａｔｅｄ,ａｎｄ ｔｈｅ ｖａｌｕｅ ｏｆ ｈｉｓｔｏｇｒａｍ＇ｓ ｅｎｔｒｏｐｙ ｉｓ ｕｓｅｄ ｆｏｒ ａｂｎｏｒｍａｌ ｂｅｈａｖｉｏｒ ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｓ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｄｅｔｅｃｔ ａｂｎｏｒｍａｌ ｂｅｈａｖｉｏｒ ｉｎ ｍｕｌｔｉ－ｐｅｏｐｌｅ ａｒｅａ． Keywords:ｓｏｃｉａｌ ｆｏｒｃｅ,ｈｉｓｔｏｇｒａｍ,ｅｎｔｒｏｐｙ,ｂｅｈａｖｉｏｒ ｄｅｔｅｃｔｉｏｎ
间的遮挡、 聚集等因素的影响， 对多人的跟踪会变得不稳定且效 率低下， 一般采用多人区域的异常行为检测方法。 多人区域的异 常行为检测方法将人群作为一个整体， 摈弃了对每个人的跟踪， 对多人区域进行整体分析，在行人数量较多能够取得较好的效 果。 对多人区域的行为检测方法有光流、 社会力、 粒子动力学、 谱 聚类等。章磊［２］ 使用视频中光流的方 向 分 布 对 异 常 行 为 进 行 了 检测， 都取得 Ｍｅｈｒａｎ 等 将 社 会 力 应 用 于 监 控 中 的 行 为 检 测 ，