基于人工智能的视频监控异常行为检测方法.pdfVIP

信息记录材料２０２４年３月第２５卷第３期

基于人工智能的视频监控异常行为检测方法

程铭瑾

（福建开放大学职业学院福建福州３５０００１）

【摘要】本文提出了一种基于深度学习的ＹＯＬＯ（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）目标检测算法跟踪以及３Ｄ卷积神经网络的视频监控异常行

为检测方法。首先，在目标检测与跟踪阶段，采用ＹＯＬＯ模型，通过对监控视频中目标的实时定位与跟踪，建立了对目标位置变化的

准确感知。然后，通过三维卷积神经网络模型，对目标的时序动作进行建模，实现对视频中异常行为的高效检测。最后，在实验过程

中，使用公开数据集，对提出的方法进行了全面的验证与分析，结果表明该方法在不同场景下表现出色，具有良好的鲁棒性与准确性。

【关键词】人工智能；视频监控；ＹＯＬＯ；三维卷积神经网络

－－－

【中图分类号】ＴＰ２４９【文献标识码】Ａ【文章编号】１００９５６２４（２０２４）０３０１３６０３

０引言进行迅速而准确的识别与定位，该模块不仅能够有效检测

在当今社会，随着城市化的不断推进和科技的飞速发场景中的多个目标，而且能够跟踪它们在画面中的运动轨

展，视频监控系统已经成为维护个人和社会安全的重要工迹，为后续的动作识别提供了可靠的基础。最后，在目标

［１］检测跟踪的基础上采用３Ｄ⁃ＣＮＮ实现动作识别，该模块以

具之一。然而，传统的视频监控系统往往仅仅能够提供

对静态场景的观测，对于动态场景下的异常行为检测却面视频序列为输入通过对时空信息的深度学习分析，能够捕

临着巨大的挑战。因此，为了更加高效地应对复杂多变的捉到目标在不同时间段内的动作演变规律，实现对人体行

安全威胁，本研究提出了一种基于深度学习的视频监控异为的高度敏感识别。在动作识别的基础上，系统进一步判

常行为检测方法。断是否为特定的异常动作。若检测到特定异常动作，则系

本研究通过构建一个完整的视频智能监控系统总体统会立即产生预警信号；反之，如果未检测到异常动作，则

框架，致力于实现对多样化场景的全面监测。该框架以实系统将继续进行视频采集，保持对监测区域的全面监视。

时性和准确性为核心目标，通过整合先进的技术，为后续

的异常行为检测奠定了坚实的基础。为了更加精准地捕

捉监控画面中的关键信息，本研究在目标检测与跟踪阶段

［２］

采用了深度学习的ＹＯＬＯ（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）目标检测

算法。该算法以其高效的实时性和精确的目标定位为视

频监控系统提供了可靠的目标识别能力，从而为后续的异

常行为分析提供了有力的支持。本研究的关键创新点在

于，在动作识别阶段采用了三维卷积神经网络（３⁃

［３］

ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，３Ｄ⁃ＣＮＮ），以更

加全面地捕捉目标在时空上的演变规律。通过对视频序

列进行立体感知，该方法能够更准确地捕捉人体动作的细

微变化，为异常行为的早期识别提供了可靠的数据支撑。

最后，为了验证所提出方法的有效性，本研究进行了一系

列实验，并对实验结果进行了分析。实验结果充分证明了图１视频智能监控的总体框架

本方法在异常行为检测方面的卓越性能，为未来智能视频２基于人工智能的异常行为检测

监控系统的发展提供了有益的借鉴。２１基于ＹＯＬＯ的目标检测跟踪方法

１视频智能监