Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance

doi:10.13741/j.cnki.11-1879/o4.2021.02.011

您当前的位置：

首页 >

文章列表页 >

Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance

更新时间：2025-09-01

- Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance
- Vol. 47, Issue 2, Pages: 187-195(2021)
- 作者机构：
  
  1. 1:西安思源学院电子信息工程学院
  2. 2:西安交通大学理学院
  3. 3:郑州轻工业大学软件学院
- 作者简介：
- 基金信息：
- DOI：10.13741/j.cnki.11-1879/o4.2021.02.011
  CLC：
- Published：2021
- 稿件说明：
移动端阅览
Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance[J]. 2021, 47(2): 187-195.
DOI：

Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance[J]. 2021, 47(2): 187-195. DOI： 10.13741/j.cnki.11-1879/o4.2021.02.011.

摘要

传统基于卷积神经网络(CNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征

故无法准确捕捉视频流在时序上的动态特征。为此

提出一种基于改进C3D网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的C3D网络进行视频流梯度方向直方图(HOG)特征提取

并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作

并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明

所提出的改进C3D-RF方案对人群异常行为的检测准确率保持在90%以上

且与传统C3D网络、支持向量数据描述模型(SVDD)、编码深度卷积神经网络(CAE)等方法相比

其训练时间缩短了15.34%以上。

Abstract

关键词

Keywords

references

Views

364

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Access point selection for complex indoor hybrid WiFi-LiFi networks based on random forest

Binary CGH drawing and making

Weak supervised abnormal behavior detection using improved YOLOv3 under video surveillance

Non-local prior image dehazing algorithm based on neutrosophy

Variational Retinex defogging algorithm based on structure and texture awareness

Related Author

张慧颖

马成宇

梁士达

盛美春

李月月

李攀

张金润

卢宏

Related Institution

1:吉林化工学院信息与控制工程学院

1:华中科技大学武汉光电国家研究中心

1:佛山职业技术学院电子信息学院

2:华南理工大学经济管理学院

1:河南师范大学物理学院河南省红外材料光谱测量与应用重点实验室

⁰