视频监控下利用改进型C3D-RF的人群异常行为检测

您当前的位置：

首页 >

文章列表页 >

光学测量 | 更新时间：2025-09-01

- 视频监控下利用改进型C3D-RF的人群异常行为检测
- Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance
- 光学技术 2021年47卷第2期页码：187-195
- 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：
  
  国家自然科学基金项目(61975187);河南省科技公关项目(202102210387);西安思源学院校基金(XASYPY1-B2007)
- DOI：10.13741/j.cnki.11-1879/o4.2021.02.011
  中图分类号：
- 纸质出版：2021
- 稿件说明：
移动端阅览
张娓娓, 陈绥阳, 陈锐. 视频监控下利用改进型C3D-RF的人群异常行为检测[J]. 光学技术, 2021,47(2):187-195.

Abnormal crowd behavior detection using improved C3D-RF under Video Surveillance[J]. 2021, 47(2): 187-195.
张娓娓, 陈绥阳, 陈锐. 视频监控下利用改进型C3D-RF的人群异常行为检测[J]. 光学技术, 2021,47(2):187-195. DOI： 10.13741/j.cnki.11-1879/o4.2021.02.011.

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.

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。

浏览量

364

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于随机森林的复杂室内混合WiFi-LiFi网络接入点选择研究

二元计算全息图制作

视频监控下利用改进型YOLOv3的弱监督式异常行为检测

基于中智学的非局部先验图像去雾算法

基于结构和纹理感知的变分Retinex去雾算法