数字经济背景下基于卷积神经网络技术的人群异常行为检测研究

发布时间：2020-12-30 03:23

　　随着数字经济的不断发展,信息化逐渐融入到日常生活的方方面面。通过计算机视觉技术,实现人群异常行为分析与理解,及时发现和识别潜在的危险行为,从技术和基础设施普及方面成为可能。本文分析了计算机视觉识别技术相关的CNN(卷积神经网络)、LSTM(长短期记忆网络)及深度学习建模等技术,设计了数字经济条件下,以各类视觉采集系统为基础,对各类异常行为检测的系统原型。 

【文章来源】：营销界. 2020年29期

【文章页数】：2 页

【部分图文】：

图1 双流CNN构成图

随着技术的发展，Hochreiter[3]等人提出了长短期记忆网络（Long-Short Term Memory,LSTM）技术。LSTM是一种特殊的RNNs，相对于RNNs不会有梯度消失的问题，它能够学习长期依赖。经过相关研究者的不断努力，该技术变得越来越成熟。通过特殊的循环神经网络模型，解决对时间序列的依赖问题。长短时记忆网络由遗忘门、传入门、输出门组成，可以拟合序列数据，通过遗忘门和输出门忘记部分信息来解决梯度消失的问题[4]。LSTM非常适合处理与时间序列高度相关的问题，它可以方便的对视频中的短时间和长时间信息进行模拟，但是也存在缺点，即对未来信息未能处理，只能从单一方向学习。双向长短时记忆网络(Bi-LSTM)对传统的LSTM进行了改进，捕获了相关信息的发生时间，从时间点前后进行了信息的捕获，模拟相反方向的信息，具有更强的针对时序信息的处理能力。

【参考文献】：
期刊论文
[1]基于LSTM的视频行为识别技术与应用分析[J]. 徐天宇,陈昊佢.  信息与电脑(理论版). 2020(04)

硕士论文
[1]基于深度学习的异常行为检测技术及其应用[D]. 赵鹏飞.南京邮电大学 2019
[2]基于视频的公共场所人群异常行为检测系统的设计与实现[D]. 朱弈霖.东南大学 2019



本文编号：2946887