• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進SSD的人群異常行為檢測算法研究

    2022-12-24 07:11:40潔,田野,楊
    紅外技術(shù) 2022年12期
    關(guān)鍵詞:特征提取卷積人群

    亢 潔,田 野,楊 剛

    基于改進SSD的人群異常行為檢測算法研究

    亢 潔1,田 野1,楊 剛2

    (1. 陜西科技大學(xué) 電氣與控制工程學(xué)院,陜西 西安 710021;2. 西安郵電大學(xué) 通信與信息工程學(xué)院,陜西 西安 710121)

    針對人群異常行為檢測任務(wù)中存在的算法復(fù)雜度較高,重疊遮擋等帶來的檢測精度低等問題,本文提出一種基于改進SSD(Single Shot Multi-box Detector)的人群異常行為檢測算法。首先采用輕量級網(wǎng)絡(luò)MobileNet v2代替原始特征提取網(wǎng)絡(luò)VGG-16,并通過可變形卷積模塊構(gòu)建卷積層來增強感受野,然后通過將位置信息整合到通道注意力中來進行特征增強,能夠捕獲空間位置之間的遠程依賴關(guān)系,從而可以較好處理重疊遮擋問題。實驗結(jié)果表明,本文提出的算法對人群異常行為具有較好的檢測效果。

    深度學(xué)習(xí);異常行為檢測;SSD網(wǎng)絡(luò);可變形卷積;注意力機制

    0 引言

    現(xiàn)如今,異常行為檢測作為機器視覺領(lǐng)域和圖像處理中的熱門研究方向,在公共場所的安全防范方面有著重要意義[1],備受研究人員關(guān)注。公共安全事件的頻發(fā)對百姓的人身安全造成了嚴(yán)重威脅,如果使用智能監(jiān)控系統(tǒng)實時監(jiān)控異常情況,并對異常情況進行報警,這樣一來可以減輕公共安全事件對社會帶來的危害。由此可見,對人群中異常行為的檢測具有至關(guān)重要的意義。

    傳統(tǒng)方法一般先從視頻序列中分割出待測目標(biāo),然后特征提取并比對提取到的人群行為特征和標(biāo)準(zhǔn)庫中異常行為樣本,最后交給分類器判斷異常行為是否存在。但是如果數(shù)據(jù)量較大,傳統(tǒng)的方法則顯示出計算能力不足,深層次特征無法表達的問題。

    相比傳統(tǒng)方法,深度學(xué)習(xí)的方法更能高效地解決問題。在某些場景下,監(jiān)控畫面中所包含的人群異常行為特征通常受到背景環(huán)境復(fù)雜、擁擠、遮擋等影響[2],這些因素都會導(dǎo)致人群異常行為檢測算法的準(zhǔn)確性和檢測速度大大降低。胡等人[3]提出一種基于深度時空卷積神經(jīng)網(wǎng)絡(luò)的群體異常事件檢測算法,其利用每幀視頻的空間特征與前后幀的時間特征,將二維卷積運算擴展到了三維空間,并將視頻區(qū)域劃分為若干子區(qū)域獲取其空間特征,最后將空間特征輸入到深度時空卷積網(wǎng)絡(luò)進行訓(xùn)練和分類。Almazroey等人[4]提出一種基于深度學(xué)習(xí)的算法來檢測監(jiān)控視頻中人群的異常行為,該算法利用視頻中提取到的關(guān)鍵幀光流的大小、方向、速度特征生成多個2D模型特征,最后將2D模型特征輸入預(yù)訓(xùn)練的AlexNet模型中進行判斷。穆等人[5]基于生成對抗網(wǎng)絡(luò)(generative adversarial networks,GANs)提出了一個人群異常事件檢測的算法,該算法使用正常事件樣本訓(xùn)練出一對生成對抗網(wǎng)絡(luò),將其中一個生成對抗網(wǎng)絡(luò)作為輸入并生成對應(yīng)的光流特征,再將光流特征輸入另一個生成對抗網(wǎng)絡(luò)并產(chǎn)生對應(yīng)的幀,最后分析生成的幀圖像和真實幀之間的差異來檢測和定位異常事件。

    1 人群異常行為檢測模型

    1.1 改進SSD模型架構(gòu)

    Wei Liu[6]提出的SSD網(wǎng)絡(luò)是主要的目標(biāo)檢測算法之一。SSD網(wǎng)絡(luò)由兩部分構(gòu)成,第一部分中VGG-16網(wǎng)絡(luò)對圖像進行特征提取,在SSD網(wǎng)絡(luò)中刪除其全連接層;第二部分是對目標(biāo)分類檢測,用2個常規(guī)卷積層代替VGG-16中的2個全連接層,并且增加了4個卷積層,還加入了特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN)的檢測方式,從而實現(xiàn)多尺度目標(biāo)檢測。

    SSD網(wǎng)絡(luò)的優(yōu)點是提取6個尺度不同的特征圖對目標(biāo)進行檢測,深層特征圖檢測和淺層特征圖被分別用來檢測大目標(biāo)和小目標(biāo),因此SSD網(wǎng)絡(luò)具有更好的檢測尺度。但由于SSD網(wǎng)絡(luò)不同層的特征圖之間是相互獨立的,并且SSD的特征提取網(wǎng)絡(luò)采用VGG-16網(wǎng)絡(luò),這樣導(dǎo)致模型參數(shù)較大,收斂速度較慢。

    針對SSD網(wǎng)絡(luò)存在的問題,本文提出一種基于改進SSD的人群異常行為檢測模型,如圖1所示,該模型將原始主干特征提取網(wǎng)絡(luò)VGG-16更換為輕量網(wǎng)絡(luò)MobileNet v2,然后使用可變形卷積模塊提升感受野,最后通過坐標(biāo)注意力機制(coordinate attention,CA)[7]使用精確的位置信息對通道關(guān)系和長期依賴性進行編碼,根據(jù)未遮擋部分得到上下文關(guān)系來預(yù)測遮擋部分,對重要圖像特征進行特征增強,以此來提高人群異常行為檢測算法的檢測效果。

    圖1 基于改進SSD的人群異常行為檢測模型

    1.2 人群異常行為定義

    在不同場景中,異常行為的定義各不相同。由于人群異常行為種類繁多,不能用統(tǒng)一的標(biāo)準(zhǔn)去衡量,所以對異常行為的定義需要考慮周圍環(huán)境。一般來說,研究人員把不尋常的、和現(xiàn)有模式不同的、不可預(yù)測的行為定義為異常行為[8]。

    本文應(yīng)用背景面向校園中的監(jiān)控視頻畫面,將異常行為分為兩類情況:人行道上非行人通過和異常的行人運動模式。人群異常行為大致包括:騎自行車的人,滑滑板的人,小型機動車,輪椅以及行人踏入草坪等異常種類,所有異常均是自然發(fā)生的。

    1.3 人群異常行為檢測模型建立

    1.3.1 MobileNet v2網(wǎng)絡(luò)

    為了提高特征提取的效率,模型的前置基礎(chǔ)網(wǎng)絡(luò)采用了輕量網(wǎng)絡(luò)MobileNet v2[9],該網(wǎng)絡(luò)共有17個Bottleneck層(其中每個Bottleneck包含兩個逐點卷積層和一個深度卷積層(depthwise convolution),一個標(biāo)準(zhǔn)卷積層和兩個逐點卷積層(pointwise convolution),整個網(wǎng)絡(luò)總計有可訓(xùn)練參數(shù)層54層。MobileNet v2網(wǎng)絡(luò)中采用線性瓶頸(linear bottleneck)和倒殘差(inverted residuals)結(jié)構(gòu)對網(wǎng)絡(luò)優(yōu)化,雖然加深了網(wǎng)絡(luò)層,但是模型體積變小了,速度加快了。

    圖2為MobileNet v2網(wǎng)絡(luò)模塊,該模塊先通過擴展層來擴展維度,接著采用深度可分離卷積來提取特征,再使用映射層來壓縮數(shù)據(jù),讓網(wǎng)絡(luò)體量變小。由于擴展層和映射層存在可學(xué)習(xí)的參數(shù),故整個網(wǎng)絡(luò)可以學(xué)習(xí)如何更好地擴展數(shù)據(jù)和重新壓縮數(shù)據(jù)。

    圖2 MobileNet v2網(wǎng)絡(luò)模塊

    在輸入圖片尺寸相同的前提下,使用VGG-16的參數(shù)量約為13.835×107,而使用MobileNet v2參數(shù)量約為0.347×107。因此使用該網(wǎng)絡(luò)可減少網(wǎng)絡(luò)參數(shù),進而達到減少計算量的目的。

    1.3.2 可變形卷積模塊

    如果某一幀中出現(xiàn)了異常行為,我們需要對其特征進行提取并學(xué)習(xí),傳統(tǒng)的卷積核通常是尺寸固定、大小固定的,提取到的特征可能包含背景,或者提取的特征未能全部覆蓋異常行為的目標(biāo)主體,使網(wǎng)絡(luò)學(xué)習(xí)不夠精確,進而影響到目標(biāo)檢測的準(zhǔn)確性。如圖3所示,在傳統(tǒng)卷積的基礎(chǔ)上,可變形卷積[10]增加了方向向量來調(diào)整卷積核,使其可以根據(jù)實際情況調(diào)整自身的形狀,使其形態(tài)更貼近特征物,從而更好地提取輸入的特征。

    眾所周知,每一卷積層是在銜接的前一卷積層的基礎(chǔ)上提取更加抽象的特征,考慮到如果將該模塊放置位置過于靠前,則提取的信息較為冗余,若放置位置靠后,則信息丟失過多。通過實驗可知,將其嵌入到MobileNet v2的第五層卷積層時,提高了算法對幾何形變的建模能力,特征提取可以取得最佳的效果。

    卷積核的定義:

    ={(-1,-1), (-1, 0), …,(0,1), (1,1)} (1)

    式中:定義了感受野的大小和擴張。

    傳統(tǒng)的卷積輸出是:

    式中:為輸入;為輸出;為權(quán)重矩陣;0為特征圖上的每個點;P是網(wǎng)格中的個點。

    可變形卷積的輸出是:

    式中:DP為坐標(biāo)偏移量。

    對于輸入的一張?zhí)卣鲌D,假設(shè)原來的卷積操作是3×3的,為了學(xué)習(xí)偏移量,定義了另外一個3×3的卷積層,輸出的維度和原特征圖相同,通道數(shù)等于2。圖3下半部分的可變形卷積可認(rèn)為是在上半部分生成的偏移量基礎(chǔ)上進行一個插值操作,然后再做普通的卷積。

    圖3 可變形卷積模塊

    可變形卷積通過改變特征提取方式,使網(wǎng)絡(luò)學(xué)習(xí)更為充分,并為解決遮擋問題起到輔助作用。雖然增加了少量的計算量,但可以使網(wǎng)絡(luò)性能得到很好的提升。

    1.3.3 注意力機制模塊

    一張?zhí)卣鲌D中包含了特征通道和位置等信息,圖中有些內(nèi)容是我們比較關(guān)注的,而有些內(nèi)容對目標(biāo)檢測任務(wù)的結(jié)果貢獻不大。如圖4所示,可將CA模塊看為一個計算單元,通過學(xué)習(xí)的方式,抑制不顯著的特征,增強網(wǎng)絡(luò)中特征的表達能力,進而提升目標(biāo)檢測效果。

    本文使用的注意力將通道注意力分解為兩個并行的一維特征編碼過程,把空間坐標(biāo)信息有效整合到生成的注意圖中。具體操作就是對和(即水平與垂直方向)執(zhí)行平均池化得到兩個一維向量,接下來在空間維度上拼接和1×1卷積來壓縮通道,然后通過BN層和ReLU來編碼兩個方向的空間信息并切分,接著各自通過1×1卷積得到和輸入特征圖相同的通道數(shù),然后歸一化加權(quán)。最后與原特征圖相乘,以此來對特征進行自適應(yīng)調(diào)整。

    將注意力機制模塊置于卷積層之后、批量歸一化層(batch normalization,BN)之前,通過將位置信息整合到通道注意力中進行特征增強。圖5為特征增強結(jié)構(gòu)圖,分別用CA模塊增強6個經(jīng)MobileNet v2提取的輸出特征圖。

    注意力機制的加入,可以進行多尺度信息的融合,還可以根據(jù)未遮擋部分得到上下文關(guān)系,以此來預(yù)測遮擋部分,可以有效改善遮擋問題。這對異常行為檢測任務(wù)非常重要。

    2 實驗相關(guān)工作

    2.1 實驗環(huán)境搭建

    本文實驗操作系統(tǒng)為Windows10,使用Pytorch深度學(xué)習(xí)框架,實驗顯卡型號為NVIDIA GeForce RTX 2080 Ti,使用數(shù)量為1,顯卡內(nèi)存為11GB,CPU型號為Intel(R) Xeon(R)E5-2678 v3@2.50GHz,CPU數(shù)量為6,使用PyCharm的編譯環(huán)境。設(shè)置實驗初始學(xué)習(xí)率為0.01,采用隨機梯度下降法(Stochastic Gradient Descent,SGD)更新網(wǎng)絡(luò)參數(shù),學(xué)習(xí)動量為0.9,伽馬系數(shù)0.1,權(quán)重衰減率為0.0005。

    圖4 坐標(biāo)注意力模塊

    圖5 特征增強結(jié)構(gòu)

    2.2 數(shù)據(jù)集預(yù)處理

    本文選取UCSD(University of California, San Diego)異常檢測數(shù)據(jù)集[11]完成實驗任務(wù),該數(shù)據(jù)集由安裝在高處的攝像頭拍攝獲得,可俯視人行道。人行道上的人群密度從稀疏到擁擠。樣本數(shù)據(jù)由98個視頻片段組成,分為Ped1和Ped2兩個不同的場景,Ped1場景拍攝的是人群沿垂直方向運動,Ped2場景中為人群沿水平方向運動,每個場景拍到的視頻片段被分成約200幀的不同片段。

    首先對數(shù)據(jù)集進行視頻幀截取操作,選取最有代表性的視頻幀作為數(shù)據(jù)樣本,然后使用LabelImg軟件對得到的數(shù)據(jù)樣本進行標(biāo)注,LabelImg是一個可視化的圖像標(biāo)注軟件,工作界面如圖6所示。通過標(biāo)注生成相應(yīng)的xml文件,最終獲得4010張標(biāo)注后的數(shù)據(jù)集。將訓(xùn)練集與測試集按比例分為8:2,并將輸入圖片縮放調(diào)整為300×300像素的圖像,作為訓(xùn)練模型的原始輸入,然后訓(xùn)練網(wǎng)絡(luò)模型,使其能夠判斷輸入的圖像或視頻數(shù)據(jù)中是否存在異常行為。

    圖6 LabelImg工作界面

    2.3 實驗設(shè)計與模型訓(xùn)練

    將訓(xùn)練樣本送入改進后的SSD模型中訓(xùn)練,將batch_size設(shè)置為32,max_iter設(shè)置為10000。對Ped1和Ped2依次進行消融實驗,并多次調(diào)參及模型優(yōu)化訓(xùn)練,然后進行對比實驗。

    3 結(jié)果與分析

    3.1 評價標(biāo)準(zhǔn)

    通常在人群異常行為檢測任務(wù)中,使用的評估指標(biāo)為AUC(area under curve)。AUC為受試者工作特征(receiver operating characteristic,ROC)曲線下方區(qū)域所圍面積,在0~1之間取值,其表示的意義是正例排在負例前面的概率。如果某一檢測算法的AUC數(shù)值較高,則可認(rèn)為該算法具有良好的性能。

    ROC曲線的橫、縱坐標(biāo)分別表示假正例率(false positive rate,F(xiàn)PR)、真正例率(true positive rate,TPR)。其中:TPR表示在所有真正例的樣本中,被正確地判斷為正例的比率。FPR表示在所有真反例的樣本中,被錯誤地判斷為正例的比率。

    計算公式如下:

    式中:TP表示判斷為正例,實際為正例;FP表示判斷為正例,實際為反例;TN表示判斷為反例,實際為反例;FN表示判斷為反例,實際為正例。

    3.2 模型檢測結(jié)果與分析

    3.2.1 消融實驗

    為驗證本文方法的有效性,將本文提出的模型(MobileNet v2+Deformable Conv+CA)與標(biāo)準(zhǔn)SSD模型(VGG-16)、更換特征提取網(wǎng)絡(luò)后的SSD模型(MobileNet v2)以及更換特征提取網(wǎng)絡(luò)并嵌入可變形卷積模塊的SSD模型(MobileNet v2+Deformable Conv)進行了消融實驗,表1為測試集在不同模型下的參數(shù)對比結(jié)果。

    從表1可以看出,在測試集Ped1和Ped2上,使用VGG-16的模型檢測速度分別為21.96fps和20.36fps,使用MobileNet v2后,較使用VGG-16的模型檢測速度漲幅明顯,而使用MobileNet v2+Deformable Conv的模型檢測速度雖然較使用MobileNet v2稍有下降(這是因為可變形卷積模塊的加入增加了少量的計算量),但檢測速度較使用VGG-16仍有較大提升。使用MobileNet v2+Deformable Conv+CA的模型檢測速度分別為26.59 fps和25.41 fps,對比VGG-16,由于模型的特征提取網(wǎng)絡(luò)替換為輕量網(wǎng)絡(luò)MobileNet v2,所以模型檢測速度分別提升了21.08%和24.80%。

    表1 基于改進SSD的消融實驗

    AUC結(jié)果在使用VGG-16的模型上為61.98%和63.81%,使用MobileNet v2的模型,AUC值稍微上升,而使用MobileNet v2+Deformable Conv的模型,AUC結(jié)果較使用VGG-16提升了12.63%和22.20%,表明改變特征提取方式的方法對模型檢測精度有明顯效果。再加入注意力機制后,使用MobileNet v2+Deformable Conv+CA的模型的AUC結(jié)果繼續(xù)提升,分別為74.50%和88.93%,較使用VGG-16的模型提升了20.20%和39.36%。AUC結(jié)果表明,注意力機制的加入,可以有效改善對存在遮擋的異常行為的檢測,這對檢測精度的提升有很大的幫助。綜上可知,本文所提模型(改進后的SSD網(wǎng)絡(luò))在檢測速度和精度方面優(yōu)于標(biāo)準(zhǔn)SSD網(wǎng)絡(luò),實驗驗證了該方法的有效性。

    3.2.2 模型損失曲線

    圖7和圖8分別為本文提出的模型在數(shù)據(jù)集ped1和ped2上的訓(xùn)練損失曲線,包括模型的分類損失、回歸損失和總體損失。由圖可知,在數(shù)據(jù)集訓(xùn)練過程中,模型的損失值隨著迭代次數(shù)的增加逐漸趨于收斂。

    3.2.3 對比分析實驗

    表2為本文方法與其他3種檢測算法的性能對比分析。為評估本文方法對人群異常行為檢測的有效性,使用檢測速度和AUC兩個指標(biāo)來進行判定。

    由表2可知,文獻[12]使用Social Force模型檢測和定位人群視頻中異常行為,使用詞袋方法將幀分類為正常和異常,在測試集上的檢測速度分別為23.36fps和23.18 fps,AUC結(jié)果為67.5%和70.00%。文獻[13]使用不同的主干特征提取網(wǎng)絡(luò),在測試集上的檢測速度分別為25.21fps和24.85fps,AUC結(jié)果分別為71.7%和83.2%。本文方法的檢測速度為26.59fps和25.41fps,AUC結(jié)果為74.50%和88.93%。對比不同檢測模型,本文方法在模型檢測速度提升的同時,AUC結(jié)果也有不同幅度的提升,說明本文提出的模型具有檢測速度快、準(zhǔn)確度高的特點,從而驗證本文方法的有效性。

    圖7 本文模型在Ped1上的訓(xùn)練損失曲線

    圖8 本文模型在Ped2上的訓(xùn)練損失曲線

    3.2.4 可視化結(jié)果

    為了直觀地展現(xiàn)本文方法的有效性,將本文方法的檢測結(jié)果與其他算法的檢測結(jié)果進行了可視化,如圖9所示。

    由圖9可以看出,在檢測畫面1中,4種方法均可完整檢測出一處異常。在檢測畫面2中,存在3處異常,標(biāo)準(zhǔn)SSD算法可以檢測出其中兩處異常,由于存在遮擋,第三處異常(圖中藍色虛線框)并未檢測出來;Social Force算法檢測出一處異常(圖中紫色實線框),由于數(shù)據(jù)集分辨率較低的原因,第二處異常(圖中黃色虛線框)存在漏檢,第三處存在遮擋的異常(圖中藍色虛線框)仍未檢測出來;由于畫面存在遮擋,并未學(xué)習(xí)到足夠的特征信息,Pang等人的算法[13]也有一處異常(圖中藍色虛線框)未檢測出來;相比以上3種算法,本文方法可以完整檢測出檢測畫面2中的3處異常,包含其中存在遮擋的一處異常,不存在漏檢問題。

    表2 不同檢測模型性能對比分析

    圖9 可視化結(jié)果

    實驗結(jié)果表明,加入可變形卷積模塊和注意力模塊后,特征提取更加準(zhǔn)確,網(wǎng)絡(luò)有效地學(xué)習(xí)到了圖像中重要的特征信息,并根據(jù)上下文關(guān)系來預(yù)測遮擋部分,可以有效解決遮擋問題。綜上,檢測結(jié)果說明了本文方法的可行性。

    4 結(jié)語

    本文主要面對人群異常行為檢測算法面臨的問題開展工作,針對現(xiàn)有模型算法復(fù)雜度高的問題,將特征提取網(wǎng)絡(luò)替換為輕量網(wǎng)絡(luò)MobileNet v2,從而減少模型參數(shù),提高模型運行速度;針對在復(fù)雜場景如重疊遮擋下檢測準(zhǔn)確性低的問題,采用可變形卷積來改變特征提取方法,并加入注意力機制進行特征增強,通過學(xué)習(xí)上下文關(guān)系來預(yù)測遮擋部分,進而有效解決遮擋問題。從UCSD數(shù)據(jù)集上的實驗結(jié)果可以看出,本文提出算法的檢測速度為26.59fps和25.41fps,AUC結(jié)果為74.50%和88.93%,較其他方法在檢測速度和精度上均有不同程度的提升,表明本文的模型可實現(xiàn)對人群異常行為的快速準(zhǔn)確檢測。

    [1] HU Y. Design and implementation of abnormal behavior detection based on deep intelligent analysis algorithms in massive video surveillance[J]., 2020, 18(2): 227-237.

    [2] 張欣, 齊華. 基于YOLOv4的人體異常行為檢測算法研究[J]. 計算機與數(shù)字工程, 2021, 49(4): 791-796.

    ZHANG X, QI H. Research on human abnormal behavior detection algorithm based on YOLOv4[J]., 2021, 49(4): 791-796.

    [3] 胡學(xué)敏, 陳欽, 楊麗. 基于深度時空卷積神經(jīng)網(wǎng)絡(luò)的人群異常行為檢測和定位[J]. 計算機應(yīng)用研究, 2020, 37(3): 891-895.

    HU X M, CHEN Q, YANG L. Detection and localization of abnormal crowd behavior based on deep spatiotemporal convolutional neural network[J]., 2020, 37(3): 891-895.

    [4] Almazroey A A, Jarraya S K. Abnormal events and behavior detection in crowd scenes based on deep learning and neighborhood component analysis feature selection[C]//(AICV2020), 2020: 258-267.

    [5] MU Y L, ZHANG B. Abnormal event detection and localization in visual surveillance[C] //, 2020: 1217-1225.

    [6] LIU W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//, 2016: 21-37.

    [7] HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C] //2021(CVPR) 2021: 13708-13717.

    [8] Ali K, MOHAMMAD S M. Improved anomaly detection in surveillance videos based on a deep learning method[C]// 8th10, 2018: 73-81.

    [9] Sandler M, Howard A, Zhu M, et al. MobileNetV2: Inverted Residuals and Linear Bottlenecks[C]//2018, 2018: 4510-4520.

    [10] DAI J F, QI H Z, XIONG Y W, et al. Deformable Convolutional Networks[C]//2017(ICCV), 2017: 764-773.

    [11] Mahadevan V, LI W, Bhalodia V, et al. Anomaly detection in crowded scenes[C]//(CVPR) 2010: 1975-1981.

    [12] WU W H, CHEN M Y, LI J H, et al. Visual information based social force model for crowd evacuation[J]., 2022, 27(3): 619-629.

    [13] PANG G S, YAN C, SHEN C H, et al. Self-trained deep ordinal regression for end-to-end video anomaly detection[C]//2020(CVPR), 2020: 12170-12179.

    Research on Crowd Abnormal Behavior Detection Based on Improved SSD

    KANG Jie1,TIAN Ye1,YANG Gang2

    (1. School of Electrical and Control Engineering, Shaanxi University of Science and Technology, Xi'an 710021, China;2. School of Communication and Information Engineering, Xi'an University of Posts and Telecommunications, Xi'an 710121, China)

    Aiming at the problems of high algorithmic complexity and low detection accuracy caused by overlapping occlusions in abnormal crowd behavior detection, this paper proposes an algorithm for crowd abnormal behavior detection based on an improved single-shot multi-box detector(SSD). First, the lightweight network MobileNet v2 was used to replace the original feature extraction network VGG-16, and a convolutional layer was constructed by a deformable convolution module to enhance the receptive field. Feature enhancement was performed by integrating the position information into the channel attention, which can capture long-range dependencies between spatial locations, allowing for better handling of overlapping occlusions. The experimental results show that the proposed algorithm has a good detection effect on abnormal crowd behavior.

    deep learning, abnormal behavior detection, SSD network, deformable convolution, attention mechanism

    TP391

    A

    1001-8891(2022)12-1316-08

    2022-04-03;

    2022-07-12.

    亢潔(1973-),女,博士,副教授,主要研究方向:模式識別、機器視覺、智能控制。E-mail: kangjie@sust.edu.cn。

    陜西省重點研發(fā)計劃項目(2021GY-022)。

    猜你喜歡
    特征提取卷積人群
    在逃犯
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    糖尿病早預(yù)防、早控制
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    我走進人群
    百花洲(2018年1期)2018-02-07 16:34:52
    財富焦慮人群
    Bagging RCSP腦電特征提取算法
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    国产亚洲精品av在线| 午夜免费观看网址| 午夜亚洲福利在线播放| 亚洲免费av在线视频| 成人18禁高潮啪啪吃奶动态图| 国产成+人综合+亚洲专区| 亚洲成人久久性| 久久精品aⅴ一区二区三区四区| 精品国产乱码久久久久久男人| 真人一进一出gif抽搐免费| 伦理电影免费视频| 757午夜福利合集在线观看| 欧美日本亚洲视频在线播放| 香蕉丝袜av| 午夜老司机福利片| 咕卡用的链子| 97碰自拍视频| 大陆偷拍与自拍| 别揉我奶头~嗯~啊~动态视频| 国产人伦9x9x在线观看| 国产精品一区二区精品视频观看| 男女做爰动态图高潮gif福利片 | 国产精品一区二区在线不卡| 国产亚洲av高清不卡| 午夜免费成人在线视频| 极品教师在线免费播放| 性欧美人与动物交配| 久久 成人 亚洲| 欧美日韩黄片免| 国产欧美日韩一区二区三| 人成视频在线观看免费观看| 久久久久久亚洲精品国产蜜桃av| 精品久久久久久久久久免费视频| 精品一区二区三区视频在线观看免费| 99热只有精品国产| 亚洲成av人片免费观看| 久久热在线av| 国产亚洲av高清不卡| 在线观看一区二区三区| a级毛片在线看网站| e午夜精品久久久久久久| 我的亚洲天堂| 999精品在线视频| 国产欧美日韩一区二区三| 国产精品 国内视频| 国产单亲对白刺激| 曰老女人黄片| 国产精品久久久人人做人人爽| 色播亚洲综合网| 少妇的丰满在线观看| 美国免费a级毛片| 国产精品影院久久| 少妇裸体淫交视频免费看高清 | 丰满的人妻完整版| 成人手机av| 正在播放国产对白刺激| 国产午夜福利久久久久久| 他把我摸到了高潮在线观看| 香蕉国产在线看| 久久国产精品人妻蜜桃| 动漫黄色视频在线观看| 黄色视频不卡| 桃色一区二区三区在线观看| 欧美精品啪啪一区二区三区| 色综合亚洲欧美另类图片| 国产高清有码在线观看视频 | 欧美人与性动交α欧美精品济南到| 精品免费久久久久久久清纯| 大码成人一级视频| 久久精品亚洲精品国产色婷小说| 美女免费视频网站| 人成视频在线观看免费观看| 9色porny在线观看| 亚洲全国av大片| 女生性感内裤真人,穿戴方法视频| 好男人在线观看高清免费视频 | 国产精品免费视频内射| 国产私拍福利视频在线观看| 久久久久国内视频| 淫妇啪啪啪对白视频| 精品国产亚洲在线| 美女高潮到喷水免费观看| 精品熟女少妇八av免费久了| 搡老熟女国产l中国老女人| 99国产极品粉嫩在线观看| 国产成人精品在线电影| 成人三级做爰电影| 一边摸一边做爽爽视频免费| 国产精品九九99| 日本一区二区免费在线视频| 一本综合久久免费| 黄色女人牲交| 国产熟女午夜一区二区三区| 怎么达到女性高潮| 少妇粗大呻吟视频| 日韩视频一区二区在线观看| 免费久久久久久久精品成人欧美视频| 国产乱人伦免费视频| 日韩欧美一区视频在线观看| 视频在线观看一区二区三区| 脱女人内裤的视频| 色在线成人网| 丝袜人妻中文字幕| 久久国产亚洲av麻豆专区| 亚洲 国产 在线| 日韩视频一区二区在线观看| 午夜成年电影在线免费观看| 女人被躁到高潮嗷嗷叫费观| av在线天堂中文字幕| 欧美中文日本在线观看视频| 日韩中文字幕欧美一区二区| 日韩三级视频一区二区三区| 久久草成人影院| 成人国产综合亚洲| 99国产精品免费福利视频| 18禁黄网站禁片午夜丰满| 色播在线永久视频| 午夜福利一区二区在线看| 日韩大码丰满熟妇| 亚洲 欧美一区二区三区| 久久欧美精品欧美久久欧美| 免费搜索国产男女视频| 亚洲情色 制服丝袜| 麻豆久久精品国产亚洲av| 国产一区二区激情短视频| 精品国产一区二区久久| 两性午夜刺激爽爽歪歪视频在线观看 | 国产av又大| 窝窝影院91人妻| www.自偷自拍.com| 午夜亚洲福利在线播放| 日本在线视频免费播放| 欧美+亚洲+日韩+国产| 香蕉丝袜av| 亚洲av电影不卡..在线观看| 亚洲一区二区三区色噜噜| av有码第一页| 狂野欧美激情性xxxx| 成人国产综合亚洲| 女生性感内裤真人,穿戴方法视频| 欧美色欧美亚洲另类二区 | 视频在线观看一区二区三区| 看黄色毛片网站| 久久国产乱子伦精品免费另类| 大型av网站在线播放| 国产av一区在线观看免费| 久久久久久免费高清国产稀缺| 久久久久久久午夜电影| 免费久久久久久久精品成人欧美视频| 国产高清视频在线播放一区| 91成年电影在线观看| 可以免费在线观看a视频的电影网站| 超碰成人久久| 久久中文看片网| 免费在线观看黄色视频的| 国产亚洲精品av在线| 男女下面进入的视频免费午夜 | 国产色视频综合| 99精品在免费线老司机午夜| 男人舔女人下体高潮全视频| 成年人黄色毛片网站| 热re99久久国产66热| 如日韩欧美国产精品一区二区三区| 亚洲 欧美一区二区三区| 亚洲精品一区av在线观看| 亚洲黑人精品在线| 亚洲精品av麻豆狂野| 村上凉子中文字幕在线| 久久天躁狠狠躁夜夜2o2o| 一级毛片女人18水好多| 一a级毛片在线观看| 大香蕉久久成人网| 国内精品久久久久精免费| 国产高清视频在线播放一区| 久久久久久久久久久久大奶| 级片在线观看| 在线国产一区二区在线| 国内精品久久久久久久电影| 99久久精品国产亚洲精品| 精品久久久久久成人av| 国产精品野战在线观看| 又黄又粗又硬又大视频| 国产一卡二卡三卡精品| 桃色一区二区三区在线观看| 亚洲熟女毛片儿| 淫秽高清视频在线观看| 日本在线视频免费播放| 老熟妇仑乱视频hdxx| 中文字幕另类日韩欧美亚洲嫩草| 欧美久久黑人一区二区| 女人高潮潮喷娇喘18禁视频| 久久精品成人免费网站| 午夜日韩欧美国产| 日韩欧美三级三区| 老司机福利观看| 亚洲中文字幕一区二区三区有码在线看 | 日本免费a在线| 亚洲第一电影网av| 女性被躁到高潮视频| 成年版毛片免费区| 日韩欧美在线二视频| 国产成人免费无遮挡视频| 亚洲精品中文字幕在线视频| 一个人观看的视频www高清免费观看 | 亚洲avbb在线观看| 老司机在亚洲福利影院| 国产三级在线视频| 国产精品爽爽va在线观看网站 | 亚洲狠狠婷婷综合久久图片| bbb黄色大片| 色播在线永久视频| 91成人精品电影| 一个人免费在线观看的高清视频| 国产欧美日韩一区二区精品| 亚洲欧美日韩高清在线视频| 国产精品98久久久久久宅男小说| 国产欧美日韩一区二区三区在线| 亚洲国产看品久久| 久久天堂一区二区三区四区| 久久亚洲真实| 亚洲专区字幕在线| 精品国产一区二区三区四区第35| 亚洲九九香蕉| 极品人妻少妇av视频| 成人欧美大片| 在线观看www视频免费| 久热这里只有精品99| 后天国语完整版免费观看| 欧美 亚洲 国产 日韩一| 国产精品,欧美在线| 亚洲欧美激情综合另类| 老汉色∧v一级毛片| а√天堂www在线а√下载| 国产日韩一区二区三区精品不卡| 亚洲成人精品中文字幕电影| 精品欧美国产一区二区三| 欧美性长视频在线观看| 啦啦啦 在线观看视频| 亚洲avbb在线观看| 无遮挡黄片免费观看| 如日韩欧美国产精品一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲男人天堂网一区| 两人在一起打扑克的视频| 国产视频一区二区在线看| 99国产综合亚洲精品| 成人18禁高潮啪啪吃奶动态图| 涩涩av久久男人的天堂| 国产欧美日韩综合在线一区二区| 动漫黄色视频在线观看| 久久精品91无色码中文字幕| 又黄又粗又硬又大视频| 亚洲人成77777在线视频| 国产精品一区二区在线不卡| 亚洲精品久久成人aⅴ小说| 国产成人av教育| 亚洲国产精品合色在线| 露出奶头的视频| 九色国产91popny在线| 亚洲第一av免费看| 亚洲免费av在线视频| 身体一侧抽搐| 一本久久中文字幕| 欧美日韩精品网址| 国产高清有码在线观看视频 | 99国产精品一区二区蜜桃av| 韩国av一区二区三区四区| 久久中文看片网| 老司机午夜福利在线观看视频| 国产欧美日韩一区二区三区在线| 丝袜人妻中文字幕| 国语自产精品视频在线第100页| 免费高清在线观看日韩| 亚洲精品av麻豆狂野| 免费av毛片视频| 狂野欧美激情性xxxx| 亚洲 国产 在线| 日韩高清综合在线| 黄色成人免费大全| 国产亚洲精品久久久久5区| 亚洲精品av麻豆狂野| 亚洲少妇的诱惑av| 狠狠狠狠99中文字幕| 久久人妻福利社区极品人妻图片| 国产成人精品无人区| 怎么达到女性高潮| 午夜福利欧美成人| 亚洲五月婷婷丁香| 精品一区二区三区av网在线观看| 老汉色∧v一级毛片| 午夜亚洲福利在线播放| 制服人妻中文乱码| 好男人电影高清在线观看| 51午夜福利影视在线观看| 91大片在线观看| 乱人伦中国视频| 中亚洲国语对白在线视频| 中文字幕av电影在线播放| 国产精品影院久久| 最近最新免费中文字幕在线| 热re99久久国产66热| 一区在线观看完整版| 精品久久久久久久久久免费视频| 老熟妇仑乱视频hdxx| 免费高清在线观看日韩| 精品午夜福利视频在线观看一区| 国产亚洲av高清不卡| 色综合站精品国产| 日本三级黄在线观看| 精品电影一区二区在线| 电影成人av| 在线国产一区二区在线| 国产精品香港三级国产av潘金莲| 99riav亚洲国产免费| netflix在线观看网站| 午夜福利一区二区在线看| x7x7x7水蜜桃| 黄色成人免费大全| 视频区欧美日本亚洲| 国内久久婷婷六月综合欲色啪| 国产精品影院久久| 日韩三级视频一区二区三区| 亚洲一区高清亚洲精品| 一级黄色大片毛片| www.999成人在线观看| 18禁黄网站禁片午夜丰满| netflix在线观看网站| 久久国产精品男人的天堂亚洲| 久久精品国产亚洲av高清一级| 中文字幕色久视频| 免费在线观看影片大全网站| 午夜免费激情av| av免费在线观看网站| 男女下面插进去视频免费观看| 成人永久免费在线观看视频| 欧美激情高清一区二区三区| 亚洲午夜理论影院| 国产av精品麻豆| 精品久久久久久久人妻蜜臀av | 精品国产乱码久久久久久男人| 麻豆一二三区av精品| 91麻豆精品激情在线观看国产| 国产色视频综合| 精品久久久久久成人av| 欧美日韩一级在线毛片| 两个人看的免费小视频| 亚洲人成网站在线播放欧美日韩| 国产激情欧美一区二区| 日本黄色视频三级网站网址| 琪琪午夜伦伦电影理论片6080| 一级作爱视频免费观看| 亚洲av成人一区二区三| 国产主播在线观看一区二区| 在线观看日韩欧美| 国产精品乱码一区二三区的特点 | 久9热在线精品视频| 一本综合久久免费| 欧美老熟妇乱子伦牲交| 无人区码免费观看不卡| 一边摸一边抽搐一进一出视频| 亚洲男人天堂网一区| 首页视频小说图片口味搜索| 亚洲欧美日韩另类电影网站| 视频区欧美日本亚洲| 日本在线视频免费播放| 黄色 视频免费看| 性色av乱码一区二区三区2| 精品国产国语对白av| 国产成人精品在线电影| 精品久久久精品久久久| 日本免费a在线| 亚洲专区字幕在线| av视频在线观看入口| 99国产精品一区二区三区| 免费观看人在逋| 亚洲专区字幕在线| 国产成人精品无人区| 亚洲国产精品合色在线| a级毛片在线看网站| av免费在线观看网站| 亚洲五月天丁香| 国语自产精品视频在线第100页| 欧美在线一区亚洲| 麻豆成人av在线观看| av超薄肉色丝袜交足视频| 欧美日韩精品网址| 中国美女看黄片| 97人妻天天添夜夜摸| 亚洲黑人精品在线| 一边摸一边做爽爽视频免费| 如日韩欧美国产精品一区二区三区| 欧美日韩黄片免| 波多野结衣一区麻豆| 少妇粗大呻吟视频| 精品无人区乱码1区二区| 伊人久久大香线蕉亚洲五| 热99re8久久精品国产| 欧美+亚洲+日韩+国产| 国产麻豆69| 黑人巨大精品欧美一区二区蜜桃| 欧美丝袜亚洲另类 | 久久天躁狠狠躁夜夜2o2o| 777久久人妻少妇嫩草av网站| 国产精品 国内视频| 亚洲精品一卡2卡三卡4卡5卡| 最近最新免费中文字幕在线| 亚洲电影在线观看av| tocl精华| 亚洲一区二区三区色噜噜| 欧美人与性动交α欧美精品济南到| 久久久久久人人人人人| 免费不卡黄色视频| 日韩 欧美 亚洲 中文字幕| 少妇的丰满在线观看| 美女午夜性视频免费| 老司机福利观看| 日本 av在线| 伦理电影免费视频| 亚洲av成人av| 9191精品国产免费久久| 51午夜福利影视在线观看| 9热在线视频观看99| 1024视频免费在线观看| 久久婷婷成人综合色麻豆| 操出白浆在线播放| 亚洲成人精品中文字幕电影| 欧美中文综合在线视频| 国产私拍福利视频在线观看| 免费在线观看日本一区| 午夜福利免费观看在线| 亚洲va日本ⅴa欧美va伊人久久| 欧美在线一区亚洲| 一区二区三区激情视频| 国产国语露脸激情在线看| 亚洲精品一区av在线观看| 久久久久国产一级毛片高清牌| 日韩 欧美 亚洲 中文字幕| 成人18禁在线播放| 十八禁网站免费在线| 波多野结衣巨乳人妻| 国产av精品麻豆| 亚洲最大成人中文| 久久精品成人免费网站| 午夜视频精品福利| 欧美丝袜亚洲另类 | 亚洲一卡2卡3卡4卡5卡精品中文| 99国产极品粉嫩在线观看| 久久久久久亚洲精品国产蜜桃av| 成人特级黄色片久久久久久久| 色精品久久人妻99蜜桃| 在线观看免费视频日本深夜| 中文字幕人妻熟女乱码| 波多野结衣av一区二区av| 午夜久久久在线观看| 他把我摸到了高潮在线观看| 免费在线观看日本一区| 免费看美女性在线毛片视频| 国产精品亚洲一级av第二区| 日韩有码中文字幕| 神马国产精品三级电影在线观看 | 久久久久久久久久久久大奶| 久久久久久免费高清国产稀缺| 可以在线观看的亚洲视频| 男女午夜视频在线观看| 国产精品久久电影中文字幕| 99精品欧美一区二区三区四区| 久久国产亚洲av麻豆专区| 久久人妻福利社区极品人妻图片| 亚洲精品一卡2卡三卡4卡5卡| 成年人黄色毛片网站| 韩国精品一区二区三区| 成熟少妇高潮喷水视频| 88av欧美| 麻豆一二三区av精品| 欧美激情极品国产一区二区三区| 国产成人啪精品午夜网站| 亚洲av五月六月丁香网| 中文字幕久久专区| 国产欧美日韩一区二区三| 精品日产1卡2卡| 婷婷精品国产亚洲av在线| 欧美色视频一区免费| 一边摸一边抽搐一进一出视频| 90打野战视频偷拍视频| www.熟女人妻精品国产| 日本 av在线| 亚洲男人的天堂狠狠| 亚洲成人精品中文字幕电影| 精品久久蜜臀av无| 97碰自拍视频| 国产麻豆成人av免费视频| 成人国产一区最新在线观看| 国产成人av教育| 韩国精品一区二区三区| aaaaa片日本免费| 韩国精品一区二区三区| 日韩有码中文字幕| 午夜精品国产一区二区电影| 69精品国产乱码久久久| 侵犯人妻中文字幕一二三四区| 最近最新中文字幕大全免费视频| 国产成人免费无遮挡视频| 99国产精品免费福利视频| 色av中文字幕| 成人欧美大片| 午夜福利成人在线免费观看| 日韩中文字幕欧美一区二区| 国产精品免费一区二区三区在线| 色综合欧美亚洲国产小说| 韩国精品一区二区三区| av福利片在线| 亚洲全国av大片| 女警被强在线播放| 欧美亚洲日本最大视频资源| 少妇裸体淫交视频免费看高清 | 久久人妻av系列| 啦啦啦免费观看视频1| 国产精品亚洲av一区麻豆| 午夜福利高清视频| 一区在线观看完整版| 亚洲精品在线美女| 久久精品91无色码中文字幕| 亚洲色图av天堂| av视频在线观看入口| 亚洲国产精品合色在线| 亚洲黑人精品在线| 欧美精品啪啪一区二区三区| 日本a在线网址| 91九色精品人成在线观看| 叶爱在线成人免费视频播放| 好看av亚洲va欧美ⅴa在| 91av网站免费观看| 不卡av一区二区三区| 51午夜福利影视在线观看| 久久精品亚洲熟妇少妇任你| 18禁美女被吸乳视频| 亚洲va日本ⅴa欧美va伊人久久| 精品免费久久久久久久清纯| 亚洲国产精品合色在线| 久久亚洲真实| 又紧又爽又黄一区二区| a级毛片在线看网站| 亚洲五月色婷婷综合| 久久性视频一级片| 12—13女人毛片做爰片一| 久久久国产成人精品二区| 99热只有精品国产| 国产免费男女视频| 久久九九热精品免费| 在线视频色国产色| 国内精品久久久久精免费| 日本a在线网址| 在线观看www视频免费| 国产精品亚洲av一区麻豆| 人人妻人人爽人人添夜夜欢视频| 欧美绝顶高潮抽搐喷水| 真人一进一出gif抽搐免费| 亚洲第一av免费看| 窝窝影院91人妻| 免费搜索国产男女视频| 成人国产一区最新在线观看| 黄色丝袜av网址大全| 国产一区二区三区在线臀色熟女| 少妇 在线观看| 欧美色欧美亚洲另类二区 | 一级毛片精品| 一级片免费观看大全| 此物有八面人人有两片| 亚洲天堂国产精品一区在线| 香蕉丝袜av| 国产午夜福利久久久久久| 大码成人一级视频| 啦啦啦 在线观看视频| 午夜激情av网站| 国产麻豆69| 宅男免费午夜| 一本综合久久免费| 好男人在线观看高清免费视频 | 日韩视频一区二区在线观看| 日韩中文字幕欧美一区二区| 老司机午夜福利在线观看视频| 99在线人妻在线中文字幕| www日本在线高清视频| 可以在线观看的亚洲视频| 少妇被粗大的猛进出69影院| 精品久久久精品久久久| tocl精华| 在线观看一区二区三区| 国产成人精品久久二区二区免费| 久久久久九九精品影院| 97人妻精品一区二区三区麻豆 | 99国产精品99久久久久| 视频在线观看一区二区三区| 午夜福利18| 国产成人av激情在线播放| 99国产精品一区二区蜜桃av| 此物有八面人人有两片| 九色国产91popny在线| 亚洲七黄色美女视频| 午夜视频精品福利| 久久久久精品国产欧美久久久| 99国产综合亚洲精品| 身体一侧抽搐| 日韩欧美在线二视频| av在线天堂中文字幕| 久久婷婷成人综合色麻豆| 日韩欧美在线二视频| 丝袜美腿诱惑在线| 老汉色∧v一级毛片| 亚洲国产精品久久男人天堂| 丝袜美腿诱惑在线| 少妇粗大呻吟视频| 国产av一区在线观看免费| 午夜亚洲福利在线播放| 日韩免费av在线播放|