شناسایی رفتارهای ناهنجار در تصاویر ویدئویی با استفاده از شبکه عصبی کانولوشنی

شناسایی رفتار ناهنجار ازلحاظ اهمیت یک ضرورت در سامانه های نظارت بصری تبدیل شده است. همچنین این حوزه به عنوان یک چالش در تحقیقات بینایی ماشین بدل شده است. گرچه تلاش های بسیاری به منظور رفع این مشکل انجام شده است، اما شناسایی رفتار در یک محیط واقعی و غیرقابل کنترل فاصله معناداری تا به بلوغ رسیدن آن وجود دارد. مشکل اصلی ابهام در تفاوت خصوصیات رفتار غیر نرمال و نرمال است که تعریف آن معمولا با توجه به زمینه پیشین تصاویر می تواند متفاوت باشد. در این مقاله یک سیستم شناسایی و موقعیت یابی رفتارهای ناهنجار در سکانس های ویدئویی ارائه شده است. جنبه کلیدی این روش درواقع ترکیب شبکه عصبی کانولوشنی زمان-مکانی دوبعدی و سه بعدی به منظور شناسایی رفتار غیر نرمال در فریم های متوالی ویدئویی است. همچنین از روش شناساگر Features from Accelerated Segment Test (FAST) به منظور افزایش ضریب اطمینان در شناسایی موقعیت های موردنظر در تصاویر ورودی به مدل شبکه عصبی کانولوشنی بهره گرفته شده است. این ویژگی ها تنها از حجم پیکسل های دارای حرکت استخراج می شوند تا بتوانند هزینه محاسبه را کاهش دهند. ساختار مدل شبکه عصبی کانولوشنی به ما اجازه استخراج ویژگی های زمان-مکانی که شامل استخراج ویژگی هایی با حرکات پیچیده نیز هست را می دهد.روش ارائه شده توسط مجموعه داده ی متداول که شامل رفتارها و اعمال ناهنجار متفاوت انسانی در موقعیت های گوناگون است، مورد آزمایش و ارزیابی قرار گرفته است. نتایج حاصل از آزمایش های مربوطه نمایانگر این است که سیستم ارائه شده در مقایسه با بسیاری از روش های متداول پیشین، عملکرد بهتری را دارد و کارایی آن در شناسایی رفتار غیر نرمال در مقایسه با روش های قبلی بسیار رقابتی است.