基于LSTM-RNN局部建模的在線人群異常事件檢測(cè).pdf

1、隨著城市化快速發(fā)展，越來越多的人群現(xiàn)象出現(xiàn)在公共場(chǎng)所，為更好的對(duì)公共區(qū)域進(jìn)行管理，人群異常事件檢測(cè)一直受到社會(huì)和政府的重點(diǎn)關(guān)注。然而，現(xiàn)有的研究的人群異常事件檢測(cè)方法大部分采用的都是有監(jiān)督的學(xué)習(xí)方法，忽略了人群場(chǎng)景的不可預(yù)知性，依然存在特征數(shù)據(jù)非結(jié)構(gòu)化、非在線和自適應(yīng)學(xué)習(xí)能力較弱等問題。因此，選取更有效的人群場(chǎng)景特征提取和人群場(chǎng)景建模方法，實(shí)現(xiàn)實(shí)時(shí)的無監(jiān)督學(xué)習(xí)和預(yù)測(cè)學(xué)習(xí)，具有重要意義。
　　本文提出了一種基于LSTM-RNN局部建

2、模的人群異常事件檢測(cè)與定位方法。該方法首先通過對(duì)人群場(chǎng)景進(jìn)行網(wǎng)格劃分，并提取各網(wǎng)格的多尺度光流統(tǒng)計(jì)圖和向心特征，作為局部的人群動(dòng)態(tài)特征表示；然后，采用基于長(zhǎng)短時(shí)間記憶的遞歸神經(jīng)網(wǎng)絡(luò)對(duì)人群場(chǎng)景進(jìn)行局部細(xì)粒度建模和預(yù)測(cè)，同時(shí)采用無監(jiān)督的學(xué)習(xí)方式對(duì)模型進(jìn)行訓(xùn)練；最后，基于重構(gòu)誤差，對(duì)異常進(jìn)行判定。上述方法利用LSTM-RNN模型實(shí)現(xiàn)了對(duì)人群場(chǎng)景在時(shí)間和空間維度上的統(tǒng)一建模，可挖掘人群正常模式在時(shí)間和空間維度上的各種相互關(guān)系；采用無監(jiān)督學(xué)習(xí)方法

3、減少了對(duì)人工標(biāo)注的依賴，可提高模型的魯棒性和在線自適應(yīng)學(xué)習(xí)能力；在進(jìn)行局部細(xì)粒度建模過程中，以鄰域的“向心特征”作為局部人群動(dòng)態(tài)特征的補(bǔ)充，不但考慮了各相鄰局部之間的相互影響且在一定程度上降低了模型的復(fù)雜度和計(jì)算量；基于重構(gòu)誤差的異常判定，涵蓋了人群場(chǎng)景的不可預(yù)知性，利于提升人群異常事件檢測(cè)的健壯性。
　　本文通過在Avenue數(shù)據(jù)集上驗(yàn)證了模型預(yù)測(cè)結(jié)果在進(jìn)行重構(gòu)誤差后異常判斷的有效性，并通過在UMN、UCSD數(shù)據(jù)集上驗(yàn)證了全局異