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 群体异常行为的分类和特征
1.1 群体异常行为的典型事件
一般异常事件分为两个部分，一是暴力性质异常事件，
二是非暴力性质异常事件。所谓暴力性质异常事件是异常行
为直接造成人或财产的损失，这些暴力行为具有较高的运动
能量，如群殴事件、踩踏、骚乱等。非暴力性质异常事件会间接造成损失，具有较低的运动能量，如静坐、围观等。
1.2 异常人群特征
群体异常行为的特征是人群密度异常、人群运动模式异
常。所以很多人群异常检测的算法都是以人群密度为基础进行
检测的。当人群产生异常时，往往是人群密度超过一定的阈值，
超过阈值的人群往往会导致发生异常事件。其次是人群运动模
式出现异常，如人群混乱等[2-5]。通过对人群运动的特征进行
检测和分析，就可以在一定程度上反映群体的异常。
２ 人群异常行为的提取
人群异常行为的提取是识别异常行为的前提，特征提取
是识别行为的重要依据和参考。一般的提取方法包括基于像
素特征的提取、基于纹理特征的提取、基于对象特征的提取
及基于帧的特征的提取。基于像素特征的提取通常采用的是
边缘检测方法，而且重点关注底层的密度估计等相关信息。
纹理分析可以实现对图像块的高层次分析。基于对象特征提
取的方法通常是通过确认场景中的个体，而获取精确的信息。
基于帧图像的分析是通过对群体中的整个场景进行建模，表
征每个人的现状。基于像素特征的提取是底层特征的提取方
法，而其他提取方法都是高层特征的提取方法。基于像素和
纹理的提取方法可以实现对人群密度的估计，但不能完成对
群体行为的有效识别。而基于对象和帧的特征提取方法可以
有效识别对象的行为特征，实现行为有效识别，从而可以应
用于群体异常行为的识别中。
３ 群体异常建模技术
3.1 群体整体建模技术
所谓整体的建模技术是将人群作为一个整体来进行估
作者简介：叶程（1988-），男，湖北仙桃人，研究生。研究方向：群体异常行为识别方法。
— ８５ —2016年第22期信息与电脑China Computer&Communication计算机工程应用技术
算，通过对人群速度、方向和运动的异常分析，来实现对群
体异常行为的识别，从而识别出正常群体和异常群体。识别
方式往往是通过基于整体估测的运动变化或相关事件。不仅
要对异常的行为进行检测，还要对整个异常事件的起始和结
束进行预测，还要检测它们彼此之间的联系过程[6-7]。
3.2 针对个体的群体异常建模
此方法通过个体的集合来分析群体的速度、方向和运动
异常，通过对个体行为的识别，能够精确地定位群体异常行
为发生的具体位置和相关的类型，因此，该方法是当前群体
异常行为识别研究的重点，已成为群体异常行为识别方法研
究的重要方向。当群体中有遮挡存在时，对个体的检测和识
别会造成影响，在一定程度上增加了检测的难度[8-9]。
４ 群体异常分类技术
常用的群体异常分类方法包括八种，一是贝叶斯方法，
这种方法可以对异常行为进行分类和识别，并且可以对相关模
型进行切割，从而检测和区分人体的运动；二是支持向量机方
法，这种方法可以通过调节参数，将风险降到最小，通过对轮
廓和头部的提取，可以识别异常的轨迹，从而对异常行为进
行识别；三是隐马尔可夫模型，这种方法能够检测变化光流，
实现对行为异常的分类，对动态和静态的数据进行提取，从而
对运动类型的变化进行处理；四是马尔科夫随机场模型，这种
模型可以有效降低错误检测频率，并且减少平滑区域的边界，
而且在运动的图形中识别相关的连通区；五是高斯混合模型，
这种模型能够对人体衣物的颜色和裤子等进行建模，通过对人
体轮廓的提取获得相关的纹理信息[10]；六是社会力模型，这
种模型可以对群体异常中单个个体进行处理和定位；七是动态
方向图模型，这种模型可以实现对相关对象的行为的确定和预
测，确定对象的属性分布；八是相关主题模型，这种模型可以
捕捉重叠的或非重叠场景中的人群行为，从而避开拥挤场面的识别，实现对低层流矢量的识别。
５ 结 语
当前有许多研究成果，但到目前为止还没有统一的异常
行为理论模型，对异常行为的研究还局限于视觉相关特征的
研究，与国外的相关研究还有相当大的差距。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。
参考文献[1]闫志扬.视频监控中人群状态分析及异常事件检测方
法研究[D].天津:天津大学,2013.[2]杨琳,苗振江.一种人群异常行为检测系统的设计与
实现[J].铁路计算机应用,2010,19(7):37-41.[3]宋开勇.基于脉线的群体分割与异常行为检测[D].青
岛:青岛科技大学,2013.[4]唐迅.基于稀疏编码的群体异常行为检测[D].哈尔滨:
哈尔滨工业大学,2013.[5]谭林海.智能视频监控关键技术研究[J].信息与电脑:
理论版,2016(11). [6]彭怀亮.视频监控场景中人群异常行为识别研究[D].
杭州:中国计量学院,2014.[7]林沁.视频中的大规模人群密度与异常行为分析[D].
厦门:厦门大学,2014.[8]徐姗.基于视频分析的异常群体事件检测[D].武汉:
华中科技大学,2011.[9]曹书凯.人群运动的流体表达及异常行为检测[D].秦
皇岛:燕山大学,2012.[10]柴斌.突发人群聚集事件智能视频监控[D].成都:
电子科技大学,2010.
— ８６ —
心理变态的老年群体理解老年人异常心理行为的特点与应对
心理变态的老年群体理解老年人异常心理行为的特点与应对
随着社会的进步和医疗水平的提高，老年人口比例逐渐增加。老年人的心理健康问题也越来越受到关注。在老年人群体中，有些人表现出异常的心理行为，这种行为往往会给他们自己和身边的人带来困扰。对于心理变态的老年群体来说，理解老年人异常心理行为的特点和采取相应的应对措施是非常重要的。
一、老年人异常心理行为的特点
1.1 具有冲动性
心理变态的老年群体中，一些人常常表现出冲动的行为。他们容易受到外界刺激的影响，缺乏控制自己行为的能力。这种冲动性的行为可能会给自己和周围的人带来伤害。
1.2 过于敏感
老年人在心理变态的情况下，往往对外界的事物过于敏感。他们会过分关注别人的眼光和评价，对自己的行为和外貌过分在意。这种过度的敏感会导致他们对自己产生负面情绪，加剧心理问题的发展。
1.3 孤独感强烈
心理变态的老年群体中，许多人常常感到孤独。他们可能因为身体状况不佳而无法与他人进行交流，缺乏社交的支持系统。这种孤独感会导致他们情绪低落，产生负面的心理行为。 二、应对老年人异常心理行为的方法
2.1 提供心理支持
对于心理变态的老年群体来说，提供心理支持是非常重要的。他们需要有人倾听他们的困扰，理解他们的内心世界。通过与他们进行交流，让他们感受到被关注和关心，有助于缓解他们的心理问题。
2.2 建立健康的生活习惯
老年人在心理变态的情况下，往往会忽视自己的健康。建立健康的生活习惯对于改善他们的心理状态非常重要。鼓励他们进行适当的锻炼，保持良好的饮食习惯，保证充足的睡眠，有利于他们维持好的心理状态。
2.3 接受专业治疗
在遇到严重的心理问题时，心理变态的老年群体应该及时寻求专业的心理治疗。通过与专业心理医生的交流，可以帮助他们理解自己的问题，并提供相应的治疗方法。这些方法可能包括药物治疗，心理咨询等，有助于改善他们的心理状态。
《基于人体关键点的异常行为检测研究》
《基于人体关键点的异常行为检测研究》
一、引言
随着社会的进步和科技的发展，人们对公共安全和个人隐私保护的需求日益增强。因此，人体行为分析与识别技术在公共安全领域中的应用逐渐得到了广泛关注。在众多研究领域中，基于人体关键点的异常行为检测成为一项重要课题。该技术可以有效地对监控场景中的异常行为进行实时检测与识别，对于维护社会秩序、保障公共安全具有十分重要的意义。本文旨在研究基于人体关键点的异常行为检测技术，为相关领域的研究与应用提供理论支持。
二、人体关键点检测技术
人体关键点检测是异常行为检测的基础。该技术通过计算机视觉算法，从图像或视频中提取出人体各部位的关键点信息，如头部、四肢等。目前，常用的人体关键点检测算法包括基于深度学习的方法和基于传统特征的方法。其中，基于深度学习的方法因其准确性和鲁棒性在研究中得到了广泛应用。
三、异常行为检测方法
基于人体关键点的异常行为检测主要包括以下几个步骤：人体关键点提取、特征提取、行为建模与识别、异常行为判断。
1. 人体关键点提取：通过图像处理技术和深度学习算法，从监控视频中提取出人体各部位的关键点信息。 2. 特征提取：根据提取出的人体关键点信息，进一步提取出能够描述人体姿态、动作等特征的特征向量。
3. 行为建模与识别：基于提取出的特征向量，利用机器学习或深度学习算法构建行为模型，并对模型进行训练与优化。在模型训练完成后，可以实现对监控场景中的人体行为进行分类与识别。
4. 异常行为判断：根据行为模型和预设的异常行为规则，对识别出的行为进行判断。若发现异常行为，则触发报警并输出相关信息。
四、实验与分析
为了验证基于人体关键点的异常行为检测方法的有效性，我们进行了大量实验。实验采用公共数据集和实际监控视频进行测试，结果表明该方法在准确率和鲁棒性方面均表现良好。
具体来说，我们首先对不同场景下的异常行为进行了分类与标注，然后利用深度学习算法对人体关键点进行提取和识别。接着，我们利用机器学习算法构建了多种行为模型，并通过交叉验证等方法对模型进行优化和调整。最后，我们利用实际监控视频对方法进行了测试，并与其他方法进行了比较。实验结果表明，基于人体关键点的异常行为检测方法在准确率和鲁棒性方面均具有明显优势。
视频监控中的异常行为检测
视频监控中的异常行为检测
在当今社会，视频监控系统已经成为保障公共安全、维护社会秩序的重要手段。无论是在繁华的城市街道、拥挤的商场超市，还是在安静的住宅小区、重要的企事业单位，视频监控摄像头都在默默地“站岗放哨”，记录着周围发生的一切。然而，仅仅依靠人工对海量的监控视频进行实时观察和分析是不现实的，这不仅效率低下，而且容易出现疏漏。因此，如何从这些视频中快速、准确地检测出异常行为，成为了一个备受关注的研究课题。
所谓异常行为，简单来说，就是那些不符合正常模式或预期的行为。例如，在商场里突然奔跑、在公共场所大声争吵、在禁止停车的区域停车等等。这些异常行为可能预示着潜在的安全风险，如盗窃、斗殴、火灾等，因此及时发现并采取相应的措施至关重要。
那么，如何实现视频监控中的异常行为检测呢？这可不是一件简单的事情。首先，我们需要对“正常行为”有一个清晰的定义和理解。这就需要对监控场景进行深入的分析，考虑到时间、地点、人群密度等多种因素。比如，在工作日的上午，写字楼里的人员通常是有序地行走和工作；而在周末的晚上，商场里的人流会比较密集，人们的行为也会更加多样化。
有了对正常行为的定义，接下来就需要从视频中提取有用的信息。这涉及到计算机视觉和图像处理技术。监控摄像头拍摄到的视频是由一帧一帧的图像组成的，我们需要对这些图像进行分析，提取出人物的特征，如身高、体型、步态、动作等。这就像是从一堆杂乱的拼图中找出关键的几块，然后拼凑出一个完整的图像。
在提取了人物特征之后，还需要对这些特征进行分析和判断，以确定是否为异常行为。这就像是一个“裁判”，根据事先设定的规则来判断某个行为是否“犯规”。这个过程中，会用到各种各样的算法和模型，比如基于轨迹的分析、基于动作的识别、基于群体行为的判断等等。
然而，实际情况往往比我们想象的要复杂得多。比如，光照条件的变化、摄像头的角度问题、人群的遮挡等，都会给异常行为检测带来很大的挑战。此外，不同的场景和应用需求也会对检测的准确性和实时性提出不同的要求。
客舱旅客异常行为识别研究
客舱旅客异常行为识别研究
摘要】为解决严格安检导致的安检排队时间长，安全成本大，对物不对人安检效率不高的问题，提出异常行为识别技术。通过分析大量案例，总结得出异常行为识别的指标体系，从而实现预防事故的目的，提高安检人员效率，大大改善安检中对人不对物、效率低的问题。
【关键词】异常行为识别；指标体系；民航；客舱旅客
随着改革开放的进一步深化，社会高速发展，民航业也在这一机遇中取得突破性进展。与此同时，世界经济一体化加快了民航发展的进度。这使得在未来一段时间内，我国民航的国内旅客将会较快增加，并且国际游客人数也将大幅度上涨，我国的民航业发展形势一片大好，对于民航安保的要求也越来越高。
2019年全国两会首场“部长通道”举行，中国民航局局长冯正霖表示，中国民用航空实现102个月安全运行记录，7000万小时的飞行安全记录，处于世界先进国家之列。2017年5月3日，《民航安全隐患排查治理工作指南》指出，“安全隐患排查零容忍”。始终坚持以“零容忍”的态度对待安全隐患，确保每个航班万无一失。同时也严厉打击和查处违反民航安全操作规章、违反民航安全工作条例规定的违法违纪行为，确保民航安全。（摘自中国网）
现阶段民航安检的不足：
2012年6月29日，由新疆和田飞往乌鲁木齐的GS7554航班于12:25分起飞，12:35分飞机上有6名歹徒暴力劫持飞机，歹徒全部为维吾尔族男性，以伪装的拐杖为武器，意图进入驾驶舱。侯汉敏（新疆维吾尔自治区发言人）：早晨12点25分，从新疆的和田到乌鲁木齐一个航班上，起飞10分钟，有6名歹徒用暴力的方式要砸开驾驶舱的门，企图要进行劫机，被机组人员和乘客共同制服了歹徒，飞机后来就返回到和田机场，安全着陆了，飞机上的其他乘客就安全返回了，其中6名歹徒被抓住了。在制服的过程中，也有7、8个机组人员和乘客受了轻伤，现在案件还在进一步的调查之中。
团伙欺诈识别方法
团伙欺诈识别方法
团伙欺诈识别方法可以从以下几个方面入手：
1. 了解团伙欺诈的特征和行为模式。团伙欺诈通常有组织、有计划，利用欺骗手段来获取不正当利益。团伙欺诈的行为模式包括虚构事实、隐瞒真相、误导他人等。
2. 观察团伙成员的行为表现。团伙欺诈成员常常表现出异常的行为，例如紧张、躲避、态度傲慢等。此外，团伙欺诈成员还可能利用社交媒体、短信、电话等方式进行欺诈活动。
3. 关注团伙成员的背景和身份信息。团伙欺诈成员通常没有固定的工作或住所，或者使用假身份信息。此外，团伙欺诈成员还可能涉及其他犯罪行为，例如洗钱、贩毒等。
4. 了解团伙欺诈的作案手法和手段。团伙欺诈通常会利用高科技手段，例如网络、电话等来实施欺诈行为。此外，团伙欺诈还可能通过虚假投资、传销等方式进行欺诈活动。
5. 留意团伙欺诈的侵害对象和目标。团伙欺诈通常针对老年人、学生、外地人等弱势群体，利用他们的信息不对称、防范意识不强等特点进行欺诈活动。
6. 提高防范意识和警惕性。对于任何形式的团伙欺诈行为，都应该保持警惕，不要轻易相信陌生人的花言巧语，避免贪图小便宜或急功近利的心态。遇到可疑情况，应该及时报警或举报相关部门。
视频监控图像中的异常行为检测与识别
视频监控图像中的异常行为检测与识别
随着科技的发展，视频监控系统在公共安全和个人财产保护中扮演着重要角色。然而，由于监控摄像头数量的增加和大规模视频数据的积累，人工监控变得越来越困难和低效。所以，开发自动化的视频监控程序来检测和识别异常行为变得至关重要。
异常行为检测与识别是指对视频监控图像中的行为进行分析和判断，以识别可能的威胁和异常行为的算法或系统。
首先，异常行为检测是通过分析视频图像中的各种特征来确定行为是否正常。这些特征可以包括人的移动轨迹、速度、姿势、形状和尺寸等。通过对正常行为进行建模，可以将异常行为定义为与已知模式之间的差异。例如，当一个人在夜间穿越街道时被监控到，这一行为可能是异常的，因为街上没有其他人或车辆。
其次，异常行为识别需要将检测到的异常行为与已知的行为类型进行分类。为了实现这一目标，可以采用机器学习和计算机视觉等技术。首先，通过提取行为特征并构建行为特征空间，将每个行为映射到特征空间中的一个点。然后，通过分类算法将特征空间中的点划分为不同的类别。最后，通过将新检测到的异常行为映射到特征空间并判断它们属于哪个类别，来实现行为识别。
在实际应用中，异常行为检测与识别可以应用于各种场景，如公共交通领域、银行、商场和机场等。在公共交通领域中，可以利用视频监控图像来检测和识别携带可疑物品或在非法地点等异常行为。在银行和商场中，可以检测和识别潜在的盗窃行为和欺诈活动。在机场中，可以利用异常行为检测技术来监控旅客，以提高安全性和减少恐怖袭击的风险。
然而，需要注意的是，在实际应用过程中，异常行为检测与识别仍然面临着一些挑战。首先，监控场景的复杂性和环境变化会对算法的准确性和鲁棒性产生影响。例如，光照条件的改变、物体间的遮挡和摄像头的位置调整等都可能导致检测和识别的错误。其次，算法的实时性和性能也是需要关注的问题，特别是在大规模视频数据的处理和分析方面。最后，隐私问题也需要考虑，特别是在对个人或群体行为进行分析时。
如何使用AI技术进行异常行为检测
如何使用AI技术进行异常行为检测
如何利用AI技术进行异常行为检测
引言：
随着人工智能（AI）技术的快速发展和广泛应用，异常行为检测已经成为数字安全领域中一个重要的课题。传统的基于规则的方法在处理复杂、多变、大规模数据时可能存在效率低下和准确性不高的问题。而使用AI技术进行异常行为检测，则可以提高检测效率和准确度。
一、背景
异常行为是指与预期行为相差较大或违反了已知规则的行为。恶意程序、网络攻击和虚假交易等都属于异常行为的范畴。传统上，针对该类问题我们采用了基于规则和统计分析的方法来探测潜在的威胁。然而，由于数据量不断增加而且多样化，这些传统方法面临效率低下、无法适应新兴威胁以及无法捕捉隐藏故障等挑战。
二、机器学习在异常行为检测中的应用
机器学习作为人工智能技术的一个分支，在异常行为检测中得到了广泛应用。机器学习通过建立模型并从历史数据中学习和预测，可以快速识别出异常行为。以下是几种常见的机器学习方法在异常行为检测中的应用。
1. 监督学习
监督学习是指在训练过程中，使用带有标签的正常和异常样本进行模型的构建和训练。通过对这些样本进行特征提取，并利用分类算法（如决策树、支持向量机等）进行模式匹配和分类。然后，将新的数据样本输入模型，判断其是否属于异常行为。
2. 无监督学习 与监督学习不同，无监督学习并不依赖于任何标签信息。它通过对数据集进行聚类或离群点检测来发现包含异常行为的模式或群体。典型的算法包括k-means、DBSCAN和LOF等。通过对数据进行聚类分析，并找到与其他群体差异较大的样本，来实现对异常行为的检测。
3. 半监督学习
半监督学习结合了监督和无监督学习的优势，可以有效地处理大规模、不平衡及多类别数据集。这种方法通常使用少量带有标签的正常样本和大量未标记的数据进行训练。通过对样本进行特征提取和分类，来检测异常行为。
三、深度学习在异常行为检测中的应用
近些年，深度学习作为机器学习的一个分支迅速崛起，并在异常行为检测领域展现出了强大的能力。深度学习模型可以通过从大量数据中自动学习特征并进行复杂的关系建模，进而实现对异常行为的准确检测。
基于时空特征点的群体异常行为检测算法
第２７卷第４期 ２０１２年７月 数 据 采 集 与 处 理 Ｊｏｕｒｎａｌ ｏｆ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ＆Ｐｒｏｃｅｓｓｉｎｇ Ｖｏ１．２７ Ｎｏ．４ Ｊｕ１．２０１２
引 文章编号：１００４—９０３７（２０１２）０４—０４２２—０７
基于时空特征点的群体异常行为检测算法
王传旭 董晨晨
（青岛科技大学信息学院，青岛，２６６０６１）
摘要：提出了用时空特征点描述群体行为的新方法。首先对比分析时空Ｈａｒｒｉｓ角点、Ｇａｂｏｒ小波、Ｈｅｓｓｉａｎ矩阵三
种特征点提取方法，选择了基于Ｈｅｓｓｉａｎ矩阵的尺度不变方法提取特征点；分别采用梯度直方图、光流直方图以
及时空Ｈａａｒ特征三种方法对特征点构建描述符。采用Ｂａｇ—ｏｆ—ｗｏｒｄｓ策略对正常行为建模，使用基于ＥＭ估计的
高斯混合模型建模产生关键词，根据关键词为每一视频片段建立一个带有概率分布的编码向量，形成编码表。异
常行为的检测是将测试样本的编码向量与训练样本编码表进行比较，计算相似度距离，当最小距离大于阈值时，
判该群体行为异常。在ＵＣＦ和ＵＭＮ两种群体行为数据集下的实验结果表明，该方法能够对群体异常行为进行
有效识别，对尺度变化以及背景光照变化等具有较好的适应性。
关键词：群体异常行为；时空特征点；关键词词袋；高斯混合模型
中图分类号：ＴＰ３９１ 文献标识码：Ａ
Ａｂｎｏｒｍａｌ Ｃｒｏｗｄｅｄ Ｂｅｈａｖｉｏｒ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ
Ｓｐａｔｉａｌ Ｔｅｍｐｏｒａｌ Ｉｎｔｅｒｅｓｔｉｎｇ Ｐｏｉｎｔｓ
Ｗａｎｇ Ｃｈｕａｎｘｕ，Ｄｏｎｇ Ｃｈｅｎｃｈｅｎ
（Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｉｎｆｏｒｍａｔｉｃｓ，Ｑｉｎｇｄａｏ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ，２６６０６１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｎｅｗ ｍｅｔｈｏｄ ｄｅｓｃｒｉｂｉｎｇ ｈｕｍａｎ ｂｅｈａｖｉｏｒ ｉｎ ｃｒｏｗｄｅｄ ｓｃｅｎｅｓ ｂａｓｅｄ ｏｎ ｓｐａｔｉａｌ ｔｅｍｐｏ—
视频监控中的异常行为检测 2
视频监控中的异常行为检测
在当今社会，视频监控系统已经成为保障公共安全、维护社会秩序以及管理各类场所的重要手段。而在视频监控的众多功能中，异常行为检测无疑是一项关键且具有挑战性的任务。
想象一下这样的场景：在一个繁忙的商场里，人群熙熙攘攘，突然有一个人在没有任何明显原因的情况下开始狂奔；或者在一个安静的小区深夜，一个身影鬼鬼祟祟地试图攀爬居民楼的窗户。这些都是异常行为的表现，而及时发现并做出相应的处理，对于预防犯罪、保障人们的生命财产安全至关重要。
那么，什么是异常行为呢？简单来说，异常行为就是与正常模式或预期行为显著不同的行为。然而，要准确地定义和检测异常行为并不是一件容易的事情，因为“正常”和“异常”的界限往往是模糊的，并且会受到多种因素的影响。
首先，不同的场所和环境有着不同的正常行为模式。比如，在学校里，学生们在课间嬉笑打闹是正常的，但在图书馆里这样的行为就可能被视为异常。同样，在工厂的生产线上，工人按照规定的流程操作是正常的，而任何偏离流程的动作可能就是异常。
其次，时间也是一个重要的因素。在白天的街道上，人群密集、车辆穿梭是正常的景象；但在凌晨时分，如果出现同样的情况，就可能是异常的。此外，季节、天气等也可能影响行为的正常性。比如，在炎热的夏天，人们穿着短裤短袖出行是正常的，但在寒冷的冬天这样的穿着就显得异常。
为了能够有效地检测异常行为，我们需要依靠先进的技术和巧妙的方法。传统的视频监控主要依赖人工观察，但这种方式不仅效率低下，而且容易出现疏漏和疲劳导致的错误。随着科技的不断发展，计算机视觉和图像处理技术为异常行为检测提供了更强大的工具。
在视频监控中，常用的异常行为检测方法可以大致分为基于模型的方法和基于数据驱动的方法。基于模型的方法通常是根据对人类行为的先验知识和理解，建立数学模型来描述正常行为。当实际观测到的行为与模型不匹配时，就被判定为异常。例如，我们可以建立一个人群流动的模型，规定人群的速度、密度和方向的正常范围，如果有个体或群体的行为超出了这些范围，就认为是异常。
基于改进孤立森林算法的异常用电行为识别方法
第４５卷第６期
２０２３年１１月沈 阳 工 业 大 学 学 报
ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ４５Ｎｏ６
Ｎｏｖ２０２３
收稿日期：２０２３－０３－３０
基金项目：国家自然科学基金项目（５１８７７０７１）。
作者简介：钱旭盛（１９７５—），男，江苏苏州人，高级工程师，硕士，主要从事电力系统管理、电子服务渠道运营等方面的研究。檪檪檪檪檪檪檪檪檪檪殏
殏殏殏 电气工程 ＤＯＩ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０６．０１
基于改进孤立森林算法的异常用电行为识别方法
钱旭盛１，２，朱 萌２，翟千惠２，张轩城２，陈 可２
（１哈尔滨工业大学电气工程及自动化学院，黑龙江哈尔滨１５０００６；２国网江苏省电力有限公司营销服务中心，江苏南京２１００１８）
摘 要：针对传统异常用电行为识别方法准确率低、时效性差且人工消耗较高等问题，提出了一种
基于粒子群算法的改进孤立森林识别方法。该方法通过总结异常用电行为规律，重构相关行为的
特征指标，并侧重于对异常样本的学习与训练，进而在集成算法套袋思想的基础上构建了孤立森
林。同时利用粒子群算法的群集寻优能力选择出精准度较高、差异度较大的孤立树形成子集，进
一步优化了异常用电行为的识别效果。实验结果表明，改进方法的ＡＵＣ值和识别效率均高于聚
类算法及孤立森林算法，能够对异常用电行为进行准确识别。
关 键 词：异常用电行为；异常识别；粒子群算法；孤立森林；集成算法；群集寻优；聚类算
法；ＡＵＣ值
中图分类号：ＴＭ７６４；ＴＰ２７４２ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０６－０６０１－０６
Ａｂｎｏｒｍａｌｅｌｅｃｔｒｉｃａｌｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄ
ｏｎｉｍｐｒｏｖｅｄｉｓｏｌａｔｅｄｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ
ＱＩＡＮＸｕｓｈｅｎｇ１，２，ＺＨＵＭｅｎｇ２，ＺＨＡＩＱｉａｎｈｕｉ２，ＺＨＡＮＧＸｕａｎｃｈｅｎｇ２，ＣＨＥＮＫｅ２