深度学习与稀疏光流：提升人群异常行为识别精度

本文主要探讨了一种创新的人群异常行为识别方法，结合深度学习和稀疏光流技术，针对公共场所中低检测准确率的问题，特别是对于突然奔跑等部分异常行为的识别不足。研究者提出了一种基于YOLO-v3（You Only Look Once Version 3）的算法，这是一种先进的目标检测模型，用于检测小团体的异常行为，如行人持棍、持枪、持刀以及面部遮挡等情况。 YOLO-v3在小团体异常检测中发挥关键作用，通过对视频子区域的图像样本分析，提高了对这些特定异常的检测能力。YOLO-v3的高效性使得它能够在实时场景中快速识别潜在威胁。然而，当遇到传统算法难以检测的异常情况时，研究人员引入了稀疏光流技术。稀疏光流是一种计算物体运动和空间结构变化的方法，通过计算人群的平均动能和运动方向熵，可以更全面地评估人群的行为模式。 当检测到行人持械或面部遮挡等小团体异常时，系统会进一步利用粒子群优化（PSO）和自适应线性神经网络（ELM，Evolving Neural Network）进行特征提取和分类，以区分正常行为和可能的异常行为，如同向突散或无规则突散。这种融合多种技术的策略有助于提高识别的准确性和鲁棒性。 实验结果显示，相较于现有的同类算法，这种基于深度学习与稀疏光流的人群异常行为识别算法表现出显著的优势，不仅能够有效地识别出行人持械和面部遮挡等异常行为，而且在定位异常发生区域方面达到了98.227%的高精度。这为公共场所的安全监控提供了有效的辅助手段，有助于及时预警并采取相应措施，保障公共安全。因此，这项研究对于提升人群异常行为检测系统的性能具有重要的理论价值和实际应用意义。