基于参数自调节神经网络的人体异常行为检测方法
专利汇可以提供基于参数自调节神经网络的人体异常行为检测方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于参数自调节神经网络的人体异常行为检测方法。本发明是基于一种双层神经网络，即生长式神经气 体模 型，利用其灵活“生长”的优势对场景中的可变行为模式进行学习和建模。本发明针对其因固定参数无法实现自适应调整的问题进行了重要改进，提出了针对气体神经元生长、学习、删除等过程中的模型参数自适应调整方法。在模型用于判断行为是否异常时，本发明提出了基于双层高斯平滑窗的判断方法，实现多变场景中的快速的异常行为判别。，下面是基于参数自调节神经网络的人体异常行为检测方法专利的具体信息内容。
1.一种基于参数自调节神经网络的人体异常行为检测方法，其步骤包括：
1)对视频中的图像帧进行特征点检测，对检测到的特征点进行局部特征描述，得到局部特征向量，将局部特征向量输入生长式神经气体模型中；建立生长式神经气体模型，对气体神经元在插入、学习和删除过程中涉及到的模型参数进行自适应调整，包括：
针对插入过程，通过两个自适应阈值，即内部插入阈值和外部插入阈值，控制外来神经元的适时插入操作；
针对学习过程，根据新输入特征与其最近邻神经元的距离确定学习速率的调整幅度；
针对删除过程，通过定义密度算子确定所需删除的神经元周围的网络分布情况，接着计算每个待删除神经元的平均累积分数，将平均累积分数低于平均水平且密度计算结果排位靠后的神经元删除；
2)通过所述生长式神经气体模型对视频中的人体行为进行检测，采用双层高斯平滑窗的判断方法实现人体异常行为判别；所述双层高斯平滑窗的判断方法是：首先对输入的检测得到的局部特征序列进行异常类别判断，定义其中离正常模式距离超过平均水平的特征为异常特征；接着对异常特征的数量进行统计计算，将超过平均值的数量所引起的事件定义为异常事件。
2.如权利要求1所述的方法，其特征在于：在检测特征点时，采用时空Gabor滤波器组得到局部运动点，得到局部运动点之后，将所有的点的局部区域的描述作为该点的局部特征。
3.如权利要求2所述的方法，其特征在于：所述局部特征是3D-SIFT特征。
4.如权利要求1所述的方法，其特征在于，步骤1)中神经网络的外部神经元插入过程是：
a)局部特征向量x输入之后，在已有的神经网络神经元中找到最近的神经元s1和第二最近的神经元s2：s1＝argmins∈A‖x-ws‖2， 其中，s表示全体神经元
的集合A中的任一神经元，Ws表示神经元x的权重；
b)判断特征向量x与神经元s1或神经元s2的距离是否超过阈值 或 即判断
是否成立，如果成立则在网络中插入外部神经元x；
c)判断神经元s1和神经元s2之间是否存在直接相连的边，如果不存在，则添加一条直接相连的边，也就是：C:＝C∪{(s1,s2)}，其中C表示全体神经元的边集合。
5.如权利要求4所述的方法，其特征在于，步骤1)中神经网络的神经元学习过程是：对于输入的特征向量x，将其与最近的神经元s1之间的欧氏距离作为误差累积到神经元s1的误差变量中；然后更新神经元s1的平均累积分数 然后通过调整神经元自身权重来学习输入特征向量所代表的模式。
6.如权利要求5所述的方法，其特征在于，在学习过程中若判断当前帧上观察到的全部特征向量已经学习完毕，那么在神经网络的累积误差最大的位置周围插入一个内部神经元，插入方法如下：
a)找到当前误差变量最大的神经元q，其对应的误差变量也就是eq；
b)在神经元q的邻居神经元集合Nq中找到含最大误差变量的邻居神经元f，其对应的误差变量也就是ef；
c)在神经元q和f之间插入一个新的内部神经元r，建立r到两个神经元之间的连接边：
C:＝C∪{(q,r),(r,f)}，删除两个神经元之间原始的连接边：C:＝C\{(q,f)}；将神经元r的误差变量er和平均累计分数 分别初始化为：eq和
d)按照一定比例α缩小神经元q和f的误差变量：eq:＝αeq；ef:＝αef；同时，按照另一个比例γ缩小神经元q和f的平均累计分数：
7.如权利要求6所述的方法，其特征在于，步骤1)中神经元的删除条件分两种：一是平均累计分数的阈值 为空时的初始情况；二是 已经有实际值的情况；通过计算一个实时的值Esil(t)与已存储的阈值Ethr比较大小来判断网络学习是否成熟，包括如下步骤：
a)当 为空时，如果Esil(t)≥Ethr成立，那么将网络中现有的神经元按照其平均累积分数进行降序排列，将排在末尾的一个神经元删除，并删除其所有直接相连的边；如果Esil(t)＜Ethr，那么将网络中现有的神经元按照其平均累积分数进行降序排列，删除末尾起倒数nnew个神经元，及其所有直接相连的边；
b)当 不为空时，如果Esil(t)≥Ethr，那么将所有神经元的平均累计分数与 作比较，删除平均累计分数比 小的所有神经元及其所有直接相连的边；如果Esil(t)＜Ethr，回到上一种情况a)执行a)中的操作；
其中Esil(t)采用以下公式计算：
Esil(t)＝Sil(t)-Sil(t-1)，
其中，Sil(t)表示当前网络的成熟度，NA(t)表示当前网络的神经元个数，Wi(t)表示将i作为最近神经元的输入向量的个数；d1(x,i；t)、d2(x,i；t)为两个距离项。
8.如权利要求1所述的方法，其特征在于，步骤2)中，第一层判断异常特征的阈值定义为： 其中μfeature表示输入特征向量集合的均值，σfeature表示输
入特征向量集合的方差；判断为异常特征之后，对这一群体进行数量的判断，得到第二层判断异常时间的阈值，其具体定义为： 其中μoverflowing表示异
常特征的平均数量，σoverflowing表示异常特征数量变化的方差；当判断最终的异常特征的数量超过异常事件阈值thanomaly时，即可判断为异常事件发生，给出报警。
基于参数自调节神经网络的人体异常行为检测方法
技术领域
背景技术
发明内容
具体实施方式
此定义下，如果公式(9)成立，那么此时需要在网络中插入外部神经元x。插入步骤如下：
wx＝x，nnew:＝nnew+1， 其中 表示全体神经元的集合，wx表示
神经元x的权重，nnew表示当前学习周期中新插入的神经元个数，Tx表示当前新节点的外部神经元的插入阈值。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种测试无损网络性能的方法和装置 | 2020-05-08 | 744 |
| 一种深度学习网络训练系统及方法 | 2020-05-08 | 802 |
| 一种存储域的管理方法、系统、设备及存储介质 | 2020-05-08 | 160 |
| 具有识别人群分布功能的风机 | 2020-05-08 | 207 |
| 一种教学发声的模拟展示方法及设备 | 2020-05-08 | 351 |
| 一种高性能录波主站架构 | 2020-05-08 | 970 |
| 一种社保结算机 | 2020-05-08 | 678 |
| 急救呼吸气囊 | 2020-05-11 | 380 |
| 一种微型桩群桩钻孔定位导向装置 | 2020-05-08 | 866 |
| 一种便携式防水鞋 | 2020-05-11 | 353 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
