基于LSTM-RNN局部建模的在線人群異常事件檢測.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)在公共場所，為更好的對公共區(qū)域進行管理，人群異常事件檢測一直受到社會和政府的重點關注。然而，現(xiàn)有的研究的人群異常事件檢測方法大部分采用的都是有監(jiān)督的學習方法，忽略了人群場景的不可預知性，依然存在特征數(shù)據(jù)非結(jié)構(gòu)化、非在線和自適應學習能力較弱等問題。因此，選取更有效的人群場景特征提取和人群場景建模方法，實現(xiàn)實時的無監(jiān)督學習和預測學習，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與定位方法。該方法首先通過對人群場景進行網(wǎng)格劃分，并提取各網(wǎng)格的多尺度光流統(tǒng)計圖和向心特征，作為局部的人群動態(tài)特征表示；然后，采用基于長短時間記憶的遞歸神經(jīng)網(wǎng)絡對人群場景進行局部細粒度建模和預測，同時采用無監(jiān)督的學習方式對模型進行訓練；最后，基于重構(gòu)誤差，對異常進行判定。上述方法利用LSTM-RNN模型實現(xiàn)了對人群場景在時間和空間維度上的統(tǒng)一建模，可挖掘人群正常模式在時間和空間維度上的各種相互關系；采用無監(jiān)督學習方法

3、減少了對人工標注的依賴，可提高模型的魯棒性和在線自適應學習能力；在進行局部細粒度建模過程中，以鄰域的“向心特征”作為局部人群動態(tài)特征的補充，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雜度和計算量；基于重構(gòu)誤差的異常判定，涵蓋了人群場景的不可預知性，利于提升人群異常事件檢測的健壯性。
　　本文通過在Avenue數(shù)據(jù)集上驗證了模型預測結(jié)果在進行重構(gòu)誤差后異常判斷的有效性，并通過在UMN、UCSD數(shù)據(jù)集上驗證了全局異