刘春玉 朱美玲 祝明慧
摘 要：老年人异常行为的检测，是帮助老年人健康生活、安全生活的有效工具。然而，由于人类行为的不确定性，是否存在异常现象根据环境的不同而改变等一系列因素，为老年人异常行为检测提出重要挑战。本文针对异常行为检测的种类、方式方法，提出一种基于深度学习的老人异常行为检测系统优化策略，以期为相关领域的发展提供有利参考。
关键词：深度学习 老人 异常行为
1 异常行为检测概述
1.1 异常行为概述
异常行为并没有一个严格意义上的定义，其异常属性取决于应用的场景，同时也会受到检测人员主观思维的影响，继而造成相同行为在差异性的场景下具有着不同的定义。例如，一个人如果在卧室的床上进行跳高，显然是一种异常行为，但是如果将这个人所处场景换成体育活动中心，那么他的行为将被转化为正常行为;再如，在火灾发生现场，人群的奔跑、逃离现象显然属于一种异常行为，那么将这些人的场景换成户外体育场，那么他们的行为同样会被转化为正常行为。由此可见，根据特定动作对异常行为作为具体定义显然是错误的、然而，充分结合异常行为的低频率属性和可疑性属性，综合实际被检测人员现场场景，那么我们便能够对异常行为做出具体定义。因为异常行为存在大量的不可确定因素，所以相同算法在不同场景中互相运用是不切实际的方案，为将此类不确定因素降至最低，那么就需要针对每一种问题进行具体化、针对性的分析，对应用场景进行合理确定，一场景为出发点判断分析是否存在异常行为，或者异常行为的程度和种类。
1.2 异常行为的种类
单个老年人的异常行为是只需要一名老人参见其中的异常行为，包括跌倒、抽搐、越界等等;交互行为异常普遍回的是两个人发生肢体碰撞产生的异常行为，包括吵架、打架等;群体性的异常行为指的是多名个体所构建的一个具有紧密联系的、整体性的异常行为，如由于骚乱而引起的大规模人群奔跑逃离等。本文主要研究个人化的老年人异常行为和交互异常行为。
1.3 异常行为检测方法
在现阶段的异常行为检测方法方面，主要可以大致分为两种类型。其一，是以视觉特征为基础的异常行为检测;其二，是以轨迹为基础的异常行为检测技术。针对物体轨迹异常行为检测技术，大量研究人员将轨迹的运行速度、具体位置以及时空曲率作为主要研究元素，通过多次反复研究，最终提出基于业务交互网络（DBN.Business Delivery Networking）的异常行为检测方案。北京大学杨正源教授提出以轨迹与多实例学习为基础的，局部性异常行为检测方案;马金元、赵光道等人提出了以三次样条曲线对轨迹目标进行充分展示的异常行为检测方式等。然而，上述检测方式均存在一个共同的问题，就是在目标被遮挡的条件下，跟踪性能将会受到严重影响，造成异常检测失去原有功效。
2 以深度学习为基础的老年人异常行为检测技术
深度学习是现阶段被广泛应用到智能识别领域的理论内容，但是针对特定场景异常行为检测的深度学习应用相对较少，导致以深度学习为基础异常行为的检测方式难以得到更加广泛的推广。
卷积神经网络（Convolutional Neural Networks， CNN）在分割、检验、分类等的过程中，针对既定的静止图像，进行有效分析处理，在视觉任务的表现出极其优越的性能。然而，对于与动态化视频分析处理相关的任务，应用卷积神经网络则显得有些力不从心，难以有效捕捉视频当中与动态化的信息数据。由此可见，我们需要将额外的辅助性信息应用进来，在卷积神经网络现有技术的基础上，增设一个时间维度，使现有二维模式转化为三维模式，继而使系统具备捕捉运动物体的能力。
在深度学习异常行为检測领域中，现阶段较为常见的方式是应用双流卷积神经网络（Dobble Convolutional Neural Networks）。Convol Putional、Ben Well等人提出一种基于双路的神经网络，将其用来对时间信息和空间信息进行双抽补货。这种方式的主要特点在于应用两种模态的基本属性，应用RGB和光流帧，将RGB作为供给外形数据信息的主要载体，充分引入光流，继而有效捕捉行为时间以及老年人的运动特征。与此同时，在该研究实现后，也陆续出现了各种类型的，以双流网络为基础的变体实验，较大幅度的推动了动作识别技术的功能性。但是，上述方式的缺点在于需要对光流进行预先提取，并且对于规模相对较大的数据处理工作来说，是一个消耗时间相对较多的过程，难以符合端到端学习的基本要求。
为有效解决双流网络技术中存在的各种问题，3D卷积神经网随之走进研究人员的事业，在行为识别任务当中获取重大突破。 Christian Connor、 Victor Hammer、Finster Patrick 等人最早提出应用3D卷积神经网络技术，在视频当中提取相关信息对人体动作进行识别的方案，并将该方案应用到实际的老年人异常行为检测系统中。Matthew Joshua 、Alexander William、Tristan Oliver等人提出C3D网络，针对时间维度，同时对运动、外观实施建模，并且在每一个视频分析的过程中的应用有效超过了二维卷积网络的应用效果。
3 基于深度学习的老人异常行为检测系统改进方案
在老年人行为识别的过程中，老年人属于一种非刚性的主体，其行为表现具备较高的开放性和灵活性特点，这也对智能化检测提出巨大挑战。鉴于此，怎样提取能够判断老年人行为特点，是相关研究领域的难点和重点，和行为外形特点进行对比，因为时间上运动特征普遍难以较高水平的实现建模，容易造成部分运动信息丢失的问题。因此，在常规性的时间顺序结构当中，我们普遍在网络结构当中应用一个相对固定的时间顺序生层次3D卷积网络，完成老年人行为提取任务。该方式与多时间跨度的时间顺序信息契合度较低，继而造成时间顺序信息难以得到高水平、全方位的利用，阻碍异常行为识别的准确性。
4 结语
综上所述，将深度学习理论应用到老年人异常行为检测系统当中，优化深度网络模型，在3D卷积网络的基础上，引入可变性的时间顺序深度卷积，充分结合深度可分离卷基层网络，能够有效优化模型对时间顺序数据信息的应用质量和应用效率，是一种改善老年人异常行为检测系统工作能力的有效方式。
参考文献
[1] 向玉开，孙胜利，雷林建，等.基于计算机视觉的人体异常行为识别综述[J].红外，2018，39（11）：1-6，33.
[2] 吴沛佶，梅雪，何毅，等.基于深度网络模型的视频序列中异常行为的检测方法[J].激光与光电子学进展，2019，56（13）：134-140.
[3] 廖鹏，刘宸铭，苏航，等.基于深度学习的学生课堂异常行为检测与分析系统[J].电子世界，2018（8）：97-98.
[4] 杨锐，罗兵，郝叶林，等.一种基于深度学习的异常行为识别方法[J].五邑大学学报：自然科学版，2018，32（2）：23-30.
