利用深度时空卷积神经网络进行人群异常行为的检测与定位。

简介：
为了解决公共场所人群异常行为检测的准确率不足以及训练样本数量有限的挑战，我们提出了一种基于深度时空卷积神经网络的人群异常行为检测与定位方法。该方法首先，充分考虑监控视频中人群行为的固有特性，巧妙地融合静态图像的空间信息和前后帧的时间信息，从而将传统的二维卷积扩展到三维空间维度。随后，我们设计了一种专门为人群异常行为检测与定位而构建的深度时空卷积神经网络架构。为了实现对人群异常行为的精准定位，我们策略性地将视频分割成若干个独立的子区域，并获取这些子区域的时空数据样本。这些数据样本随后被输入到精心设计的深度时空卷积神经网络中进行训练和分类，最终实现了对人群异常行为的有效检测与定位。此外，为了克服深度时空卷积神经网络在训练过程中由于样本数量不足所带来的困难，我们设计了一种迁移学习策略。具体而言，我们利用一个拥有大量样本的数据集对网络进行预训练，再针对待测试的数据集进行微调和优化网络模型，从而显著提升了网络模型的性能和适应性。