无监督学习的人体行为异常检测研究

摘 要 人体行为的异常检测一直是计算机领域的热点问题，近些年，相关研究基于人体姿态及异常已经解决了很多实际问题，但是由于人体行为异常检测是依赖人体姿态研究所展开的，而传统方法产生的姿态数据可靠性相对较低，为了进一步提高行为异常检测的准确性，文中将引入深度学习算法，并做了无监督学习进行行为异常检测的相关研究。

关键词 无监督学习;行为异常检测;相关研究

本文主要通过深度学习技术，获得人体姿态中各关节点信息，采取一定的方式存取数据后，通过无监督学习对数据进行特征提取及聚类分析，从而达到人体行为异常检测的目的。

行为的异常检测主要分为三个部分，即包括通过深度学习技术获取置信度较高的人体关节点数据，将数据进行处理并通过EM算法提取人体特征，对特征做整理并进行无监督的聚类算法。在异常行为的检测中，产生的姿态数据及人为定义的特征均无标签，因此无监督学习可以从数据本身出发，发掘深藏在数据中的规律，通过设定一定阈值分析行为特征，达到良好的聚类效果。

1AlphaPose人体姿态估计算法

AlphaPose是一种置信度较高的人体姿态估计算法，它的目标就是通过分析图片或视频，获取出现在其中人物的姿态信息即关节点坐标，直观展示如图1所示。

图1  人体姿态估计样图

通过网络模型预测，生成json格式文件，其中包含身体既定关节点x与y轴的坐标信息、帧数、置信度、id等字段。

2利用EM算法迭代求得特征

由于网络模型的输出包含多个信息，但相对杂乱，因此根据数据本身的特点，建立了符合一定要求的队列结构，队列有着先进先出的特点，恰好符合我们对视频流的要求。同时根据数据建立面向对象的概念，实例化多个对象对应不同姿态，从而方便后续的研究。

由于视频是由多帧组成，同一个人可能在每一帧中都出现，也有可能会有新的人物进入视频，所以获得的数据文件是较为混乱的且包含多种多样的信息。

根据這个问题，本文对数据的表达形式做了新的处理。基于研究对象为人体的姿态，因此建立了姿态类包含多种属性。同时，定义了人体的特征，通过人体特征的定义，即可在一定程度上代表该人物的肢体动作幅度。

EM算法是一种迭代优化策略，它由E步（期望步）M步（极大步）所构成。对已定义的特征求得每帧的均值和方差，通过EM算法找到一个合适的高斯分布，也就是确定高斯分布的参数。将特征值组合求得相应的分布参数后，研究对象动作在每帧的分布参数即可作为新的特征。

3无监督学习的聚类算法进行异常检测

通过上述方法，已经可以找到合适的方法获取人体姿态的相关信息和较为科学的特征表示方法，在上文中定义了人体的七个动作特征，选取特征通过不断的迭代，得到我们用于聚类的新特征。

通过聚类会选取初始质心，设定一定的阈值，不断重复，直到质心位置变化小于指定的阈值，达到最大迭代次数。同时选取一定时间段，定义少数人的动作为行为异常，以到达识别异常行为的目的。

4结果展示

目前，通过已有视频的分析处理以及上文介绍的方法，已经可以对一些视频中的行为异常人群做出检测，通过在原视频中画框以标注出来。检测结果如图2所示。

图2  行为异常检测展示图

5结束语

虽然目前已对一些视频中的异常行为做出了检测，但仍有很多不足，真正应用还有一些难题。主要集中于以下几点：

（1）场景复杂带来的遮挡问题。

（2）人与人之间的遮挡问题。

考虑到复杂视频的多变性，还需要有针对性地对一些细节进行改进，通过大量理论研究及大量实验，对现有研究方法及模型进行微调，从而以到达预期的、具有真正实用价值的异常行为检测模型。

参考文献

[1] 郁映卓.基于人体运动特征的异常行为检测和姿态识别[D].西安：西安电子科技大学，2011.

[2] 邱藤.基于高斯混合模型的EM算法及其应用研究[D].北京：科技大学，2015.

作者简介

李乐（1994-），男，甘肃兰州人;学历：硕士，现就职单位：沈阳理工大学，研究方向：大数据处理与分析技术。