管控區(qū)域人員異常行為檢測(cè)系統(tǒng)與方法研究

周曉芳 吳松洋 韓 瑋 丁 昊 孫偉華 邱 瑾

(公安部第三研究所 上海 201204)

0 引 言

對(duì)于監(jiān)獄、限制進(jìn)入?yún)^(qū)域、高密級(jí)區(qū)域等管控區(qū)域和特殊場(chǎng)所，安全問(wèn)題至關(guān)重要。全面、實(shí)時(shí)、準(zhǔn)確地進(jìn)行人員異常行為檢測(cè)，能夠有效輔助管理人員獲取準(zhǔn)確信息，提前阻止危險(xiǎn)活動(dòng)的發(fā)生，保障區(qū)域安全，并實(shí)現(xiàn)管理資源的合理分配。

對(duì)管控區(qū)域范圍的異常行為檢測(cè)本質(zhì)上是行為識(shí)別的問(wèn)題。隨著人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的發(fā)展，行為識(shí)別在智能家居[1-2]、老人監(jiān)護(hù)[3-4]、病人康復(fù)[5-6]等領(lǐng)域得到了廣泛應(yīng)用。

從分析數(shù)據(jù)類型角度，目前的行為識(shí)別方法主要分為基于圖像信號(hào)的方法和基于傳感器信號(hào)的方法。

基于圖像信號(hào)的方法利用計(jì)算機(jī)視覺(jué)和圖像處理等技術(shù)，分析所采集的視頻或圖像進(jìn)行行為識(shí)別。例如，文獻(xiàn)[7]基于深度視頻中的關(guān)節(jié)運(yùn)動(dòng)信息，提取相對(duì)位置信息和角度信息并進(jìn)行特征融合，進(jìn)行人體行為識(shí)別。文獻(xiàn)[8]提出了一種Improved FSSD方法來(lái)檢測(cè)跌倒行為。文獻(xiàn)[9]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，提取視頻中的時(shí)域信息和空間信息，以識(shí)別視頻中的人體行為。文獻(xiàn)[10]針對(duì)中小人群異常行為檢測(cè)問(wèn)題，提出了自適應(yīng)閾值的Vibe算法檢測(cè)運(yùn)動(dòng)目標(biāo)，結(jié)合基于加速分割的自適應(yīng)通用角點(diǎn)檢測(cè)算法，采用極限學(xué)習(xí)機(jī)算法對(duì)群體行為進(jìn)行學(xué)習(xí)和分類。

基于傳感器信號(hào)的方法通過(guò)各類型場(chǎng)景傳感器采集數(shù)據(jù)，經(jīng)算法分析實(shí)現(xiàn)行為識(shí)別。例如，文獻(xiàn)[11]提出基于無(wú)線體域網(wǎng)的囚犯異常行為識(shí)別方法，采用分類算法檢測(cè)管控區(qū)域內(nèi)打架斗毆等異常行為。文獻(xiàn)[12]基于多傳感器時(shí)域特征，實(shí)現(xiàn)了對(duì)8種人體日常行為模式和4種摔倒模式的實(shí)時(shí)識(shí)別。

總體上，基于視頻分析的方法可獲取的信息更豐富，但是難度相對(duì)較大，對(duì)于環(huán)境、設(shè)備和用戶的適應(yīng)較為困難?；趥鞲衅餍盘?hào)獲取的信息相對(duì)不豐富，但受到的影響小，處理難度相對(duì)小，準(zhǔn)確性較高，對(duì)于實(shí)際用于環(huán)境的適應(yīng)性強(qiáng)。本文采用基于傳感器信號(hào)設(shè)計(jì)進(jìn)行人員異常行為檢測(cè)研究應(yīng)用。針對(duì)管控區(qū)域監(jiān)控應(yīng)用場(chǎng)景，目前的行為分析方法存在實(shí)時(shí)性差、目標(biāo)動(dòng)作單一、準(zhǔn)確率低等問(wèn)題，本文從位置和動(dòng)作兩個(gè)方面提出了全面的行為分析方法。前者判斷目標(biāo)人物位置是否在合理管控范圍內(nèi)，主要基于位置特征實(shí)現(xiàn)，后者判斷目標(biāo)人物具體的動(dòng)作行為，主要基于傳感器加速度特征實(shí)現(xiàn)。本文實(shí)現(xiàn)的監(jiān)控區(qū)域人員異常行為檢測(cè)系統(tǒng)是綜合位置和行為等多種因素的智能分析系統(tǒng)，其優(yōu)點(diǎn)有：一方面，與現(xiàn)有的以位置管理功能為主的監(jiān)控系統(tǒng)相比，該系統(tǒng)具有更高的安全性，可對(duì)合理位置內(nèi)的目標(biāo)行為進(jìn)行監(jiān)控；另一方面，與視頻分析監(jiān)控相比，基于動(dòng)作傳感器的行為監(jiān)測(cè)所需計(jì)算能力要求低、實(shí)時(shí)性好、虛警率低，在受控區(qū)域內(nèi)安裝方便，是目前技術(shù)條件下較好的解決方案。

1 管控區(qū)域人員異常行為檢測(cè)系統(tǒng)

1.1 監(jiān)控內(nèi)容及范圍

總體上，管控區(qū)域內(nèi)的異常行為分為兩種情況：個(gè)人異常行為和多人(群體)異常行為。個(gè)人異常行為包括闖入、脫管、滯留、暴力動(dòng)作，而多人異常行為主要指異常接觸。異常行為檢測(cè)系統(tǒng)需能夠?qū)崟r(shí)讀取被管控人員的位置和動(dòng)作信息，對(duì)相應(yīng)行為進(jìn)行分析識(shí)別并做出準(zhǔn)確判斷。該系統(tǒng)由計(jì)算機(jī)、傳感器、基站等硬件設(shè)備和數(shù)據(jù)庫(kù)、數(shù)據(jù)處理算法和異常行為識(shí)別算法等軟件部分組成。本文研究的內(nèi)容架構(gòu)見(jiàn)表1。

表1 監(jiān)控內(nèi)容及范圍

1.2 系統(tǒng)核心硬件

本文所搭建的監(jiān)控系統(tǒng)的核心硬件有動(dòng)作感知模塊、動(dòng)作采集基站、位置感知模塊和位置采集基站等。

動(dòng)作感知模塊采用多傳感器融合方案，包括三軸加速度計(jì)、三軸磁力計(jì)、三軸陀螺儀。九軸數(shù)據(jù)融合后，通過(guò)2.4 GHz無(wú)線頻段實(shí)時(shí)傳輸至動(dòng)作采集基站。

動(dòng)作采集基站無(wú)線數(shù)據(jù)傳輸頻段為2.4 GHz、無(wú)線數(shù)據(jù)傳輸速率支持48/96 Hz，數(shù)據(jù)輸出接口采用USB2.0，可選配外置定向和全向天線，可接外置移動(dòng)電源供電，有單獨(dú)的電源線和數(shù)據(jù)線，室內(nèi)外無(wú)線傳輸距離分別為50 m和150 m。

位置感知模塊采用2.4 GHz藍(lán)牙技術(shù)實(shí)現(xiàn)，每個(gè)模塊都有一個(gè)不重復(fù)的編號(hào)。模塊定期主動(dòng)向周圍發(fā)送模塊編號(hào)和定位信號(hào)強(qiáng)度信息，發(fā)射頻次可調(diào)。

位置采集基站工作頻率為2.4 GHz，工作帶寬1 MHz，發(fā)射功率0～6 dBm，工作模式有RFID和BLE。當(dāng)工作在RFID模式時(shí)使用私有信道2 401 MHz或2 481 MHz，使用該頻道的產(chǎn)品較少，外界干擾較少。當(dāng)工作在BLE模式時(shí)使用藍(lán)牙協(xié)議中的37廣播信道，避開了Wi-Fi等無(wú)線干擾嚴(yán)重的頻段。由此，位置采集基站可有效避免系統(tǒng)內(nèi)部及外界設(shè)備的電磁干擾。

1.3 系統(tǒng)拓?fù)浣Y(jié)構(gòu)

本文完成了基于位置及傳感器特征的實(shí)時(shí)提取和行為分析系統(tǒng)搭建，圖1為系統(tǒng)整體架構(gòu)。通過(guò)位置感知模塊和動(dòng)作感知模塊分別感知位置信息和動(dòng)作信息，通過(guò)采集層的位置采集基站和動(dòng)作采集基站上傳至后臺(tái)。采用去噪、平滑、補(bǔ)全、同步等技術(shù)方法，將系統(tǒng)所采集的原始數(shù)據(jù)轉(zhuǎn)化為可用于算法處理的數(shù)據(jù)。通過(guò)建模過(guò)程，形成不同類型行為的特征數(shù)據(jù)庫(kù)。通過(guò)行為分析算法，實(shí)現(xiàn)位置行為、動(dòng)作狀態(tài)的行為識(shí)別，并向應(yīng)用層提供數(shù)據(jù)接口。

圖1 異常行為檢測(cè)系統(tǒng)整體架構(gòu)

基于位置的特征提取硬件系統(tǒng)由高精度藍(lán)牙基站、移動(dòng)節(jié)點(diǎn)和一個(gè)實(shí)時(shí)位置服務(wù)器基站組成。系統(tǒng)中作為射頻發(fā)射器的移動(dòng)節(jié)點(diǎn)附著于目標(biāo)人員身上，作為射頻接收器的高精度藍(lán)牙基站通過(guò)以太網(wǎng)接口，提供與實(shí)時(shí)位置服務(wù)器基站的連接。

基于加速度的特征提取硬件系統(tǒng)由動(dòng)作感知節(jié)點(diǎn)、動(dòng)作采集基站和一個(gè)實(shí)時(shí)動(dòng)作服務(wù)器基站組成。動(dòng)作感知節(jié)點(diǎn)采用三軸加速度計(jì)、三軸陀螺儀的傳感器融合技術(shù)實(shí)現(xiàn)，其固定于目標(biāo)人員手腕和腳腕部位，用于加速度與角速度數(shù)據(jù)采集。采集數(shù)據(jù)通過(guò)動(dòng)作采集基站上傳至實(shí)時(shí)動(dòng)作服務(wù)器基站。基于位置和加速度的特征提取硬件系統(tǒng)拓?fù)浣Y(jié)構(gòu)分別如圖2所示。

圖2 基于位置和加速度的特征提取硬件系統(tǒng)拓?fù)鋱D

2 基于位置特征的異常行為檢測(cè)

位置信號(hào)感知模塊采用藍(lán)牙技術(shù)實(shí)現(xiàn)終端接收信號(hào)強(qiáng)度(Received Signal Strength Indication，RSSI)信號(hào)的感知后，通過(guò)位置信號(hào)采集模塊采集各感知模塊信號(hào)，并通過(guò)位置信號(hào)生成算法解析得到可用的位置坐標(biāo)信號(hào)。位置信號(hào)生成算法包括位置信號(hào)處理算法和位置信號(hào)優(yōu)化算法兩部分，整體流程如圖3所示。

圖3 基于位置的特征提取模型流程

位置信號(hào)處理算法通過(guò)陣列天線接收的RSSI信號(hào)，測(cè)量到達(dá)角(Angle of Arrival，AOA)，從而精確測(cè)量出目標(biāo)信號(hào)的方向和坐標(biāo)(x，y)，見(jiàn)圖4。一個(gè)位置信號(hào)處理模塊可計(jì)算出給定高度的標(biāo)簽的2D坐標(biāo)，兩個(gè)位置信號(hào)處理模塊可計(jì)算出其3D坐標(biāo)。

圖4 基于AOA測(cè)量目標(biāo)方向和坐標(biāo)

但是，因管控區(qū)域內(nèi)墻體反射，會(huì)產(chǎn)生多個(gè)沿不同路徑傳播的信號(hào)分量，通過(guò)相互疊加干擾使原信號(hào)失真，造成多徑效應(yīng)(Multi-path Effect)。多徑效應(yīng)會(huì)導(dǎo)致信號(hào)處理模塊輸出的位置信號(hào)產(chǎn)生較嚴(yán)重的漂移。另外，目標(biāo)移動(dòng)過(guò)程中由于節(jié)點(diǎn)緩存數(shù)據(jù)溢出或網(wǎng)絡(luò)傳輸不穩(wěn)定，會(huì)導(dǎo)致數(shù)據(jù)缺損，表現(xiàn)為目標(biāo)位置的閃爍和瞬移。為解決以上問(wèn)題，本文通過(guò)卡爾曼濾波器對(duì)目標(biāo)的RSSI值進(jìn)行修正，采用牛頓迭代算法進(jìn)一步修正目標(biāo)的位置坐標(biāo)，一定程度上克服了多徑效應(yīng)帶來(lái)的偏差，提高了系統(tǒng)的抗擾度。針對(duì)數(shù)據(jù)缺損問(wèn)題，采用最大期望算法，在目標(biāo)的非完整位置數(shù)據(jù)集中對(duì)缺損的數(shù)據(jù)進(jìn)行極大似然估計(jì)，實(shí)現(xiàn)局部最優(yōu)的缺失位置數(shù)據(jù)補(bǔ)全。

由于管控區(qū)域環(huán)境的穩(wěn)定性，人員行為目的往往與其所經(jīng)歷的關(guān)鍵區(qū)域有關(guān)。某人員在某時(shí)刻進(jìn)入特定關(guān)鍵區(qū)域，并在駐留一段時(shí)間后離開特定關(guān)鍵區(qū)域，這個(gè)過(guò)程所產(chǎn)生的時(shí)空信息稱為行為樣本。多個(gè)連續(xù)的行為樣本組成的連續(xù)時(shí)空信息即為行為軌跡。管控區(qū)域日常活動(dòng)下人體的室內(nèi)行為需經(jīng)歷多個(gè)區(qū)域，利用行為發(fā)生的位置數(shù)據(jù)、時(shí)間數(shù)據(jù)可構(gòu)建出人員行為軌跡。行為軌跡可分為移動(dòng)行為和停留行為。停留行為和關(guān)鍵區(qū)域的變化通常對(duì)應(yīng)著特定的行為意圖。因此人員行為軌跡中的關(guān)鍵區(qū)域特征成為分析人員行為習(xí)慣的關(guān)鍵因素。將連續(xù)的行為軌跡分割為更小的行為單元，提取出行為所對(duì)應(yīng)的空間行為特征組，能夠更好地利用空間數(shù)據(jù)進(jìn)行行為分析。軌跡分割步驟如下：

(1) 獲取用戶行為軌跡數(shù)據(jù)，主要包括行為發(fā)生關(guān)鍵區(qū)域、行為起始時(shí)間。

(2) 若關(guān)鍵區(qū)域發(fā)生變化，觸發(fā)個(gè)體特征表更新，并啟動(dòng)timer計(jì)時(shí)。

(3) 離開關(guān)鍵區(qū)域后，timer計(jì)時(shí)結(jié)束，該關(guān)鍵區(qū)域的個(gè)體特征數(shù)據(jù)生成。

完成軌跡分割后，還需構(gòu)建基于位置信息的人體行為數(shù)據(jù)庫(kù)。本文通過(guò)模擬管控區(qū)域的實(shí)際應(yīng)用環(huán)境構(gòu)建實(shí)驗(yàn)平臺(tái)，實(shí)現(xiàn)位置信息采集，然后按照人員類型和所訪問(wèn)的關(guān)鍵區(qū)域進(jìn)行標(biāo)注和分類，分別建立個(gè)體位置行為特征數(shù)據(jù)庫(kù)和關(guān)鍵區(qū)域人員特征數(shù)據(jù)庫(kù)。

個(gè)體位置行為特征數(shù)據(jù)庫(kù)針對(duì)具體人員進(jìn)行建庫(kù)，包含該具體人員的一系列空間行為特征組?？臻g行為特征組包含4個(gè)元素，其中Pi代表人員編號(hào)，Si代表區(qū)域類型，Ti為行為起始時(shí)間(進(jìn)入關(guān)鍵區(qū)域的時(shí)刻)，Di為行為持續(xù)時(shí)間(在區(qū)域的駐留時(shí)間)。

關(guān)鍵區(qū)域人員特征數(shù)據(jù)庫(kù)針對(duì)具體關(guān)鍵區(qū)域進(jìn)行建庫(kù)，包含該關(guān)鍵區(qū)域所含人員特征和時(shí)間特征。關(guān)鍵區(qū)域人員特征數(shù)據(jù)庫(kù)包含2個(gè)元素，其中Pi代表人員編號(hào)，Ti為人員進(jìn)入該區(qū)域的起始時(shí)間。

關(guān)鍵區(qū)域的變化可觸發(fā)個(gè)體位置行為特征數(shù)據(jù)庫(kù)和關(guān)鍵區(qū)域人員特征數(shù)據(jù)庫(kù)的更新。在獲取人員行為軌跡數(shù)據(jù)的基礎(chǔ)上，把時(shí)間、空間、上下文信息與人的行為相關(guān)聯(lián)，實(shí)現(xiàn)個(gè)體異常行為和多人異常行為的檢測(cè)。具體來(lái)說(shuō)，通過(guò)獲取行為初始發(fā)生時(shí)的空間上下文信息，根據(jù)行為的空間變化特征，實(shí)現(xiàn)闖入和脫管行為的識(shí)別；結(jié)合行為發(fā)生時(shí)間和關(guān)鍵區(qū)域的駐留時(shí)長(zhǎng)，實(shí)現(xiàn)滯留行為的識(shí)別；通過(guò)特定空間的人員特征分析，實(shí)現(xiàn)異常接觸行為識(shí)別。個(gè)體和多人異常行為檢測(cè)算法流程分別如圖5和圖6所示。

圖5 基于個(gè)體位置的異常行為識(shí)別

圖6 基于關(guān)鍵區(qū)域的異常接觸行為識(shí)別

3 基于加速度特征的異常行為檢測(cè)

動(dòng)作數(shù)據(jù)主要由動(dòng)作感知模塊實(shí)現(xiàn)人體動(dòng)作的傳感數(shù)據(jù)感知，其中加速度模塊獲取加速度三通道數(shù)據(jù)，陀螺儀模塊獲取角速度三通道數(shù)據(jù)。采集數(shù)據(jù)通過(guò)無(wú)線傳輸方式，實(shí)時(shí)傳輸至動(dòng)作采集基站。

不同模塊之間因采樣頻率差異、時(shí)間同步問(wèn)題和模塊采集數(shù)據(jù)缺失，會(huì)導(dǎo)致模塊間數(shù)據(jù)無(wú)法同步。為解決此問(wèn)題，本文通過(guò)線性插值的方式補(bǔ)全缺失數(shù)據(jù)，再進(jìn)行采樣，實(shí)現(xiàn)數(shù)據(jù)匹配。針對(duì)數(shù)據(jù)的噪聲和毛刺問(wèn)題，通過(guò)移動(dòng)窗口均值平滑的方式進(jìn)行數(shù)據(jù)平滑。

大量數(shù)據(jù)統(tǒng)計(jì)表明，即便在受控實(shí)驗(yàn)條件下，仍存在較大的樣本間差異和個(gè)體差異。樣本間差異指同一受試者兩次獨(dú)立動(dòng)作間差異，個(gè)體差異指不同受試者獨(dú)立動(dòng)作間差異。為解決數(shù)據(jù)差異問(wèn)題，本文提出了基于統(tǒng)計(jì)特征的差異削減算法，把不同周期過(guò)程的同一類動(dòng)作人為歸一化，從而使不同動(dòng)作過(guò)程的動(dòng)作可以方便進(jìn)行比較，縮小因數(shù)據(jù)差異導(dǎo)致的樣本偏差。

本文采用滑動(dòng)窗口分窗方法對(duì)連續(xù)數(shù)據(jù)進(jìn)行處理，并提取加速度向量幅值(Signal Vector Modulus of Acceleration,SVMA)、加速度幅值的平均絕對(duì)偏差(Mean Absolute Deviation,MAD)和角速度姿態(tài)角特征值，保證了單個(gè)窗口的運(yùn)動(dòng)模式一致性和數(shù)據(jù)準(zhǔn)確性。其中，SVMA和MAD分別按式(1)和式(2)進(jìn)行計(jì)算。

(1)

式中：ax、ay、az分別為加速度的x、y和z軸分量。

(2)

綜上，基于加速度的特征提取模型流程見(jiàn)圖7。

圖7 基于加速度的特征提取流程

基于傳感器的異常動(dòng)作檢測(cè)主要分為樣本采集、樣本特征統(tǒng)計(jì)分析和行為分類三部分。

(1) 樣本采集。用于訓(xùn)練樣本采集的慣性傳感器節(jié)點(diǎn)固定于測(cè)試人員的手部、腳部等身體部位，以沙袋為動(dòng)作施加對(duì)象，由測(cè)試人員模擬暴力動(dòng)作和非暴力動(dòng)作的動(dòng)作狀態(tài)，獲得動(dòng)作狀態(tài)的慣性傳感器數(shù)據(jù)信息。記錄人員負(fù)責(zé)記錄測(cè)試人員的擊打次數(shù)、過(guò)程和類別。

(2) 樣本特征統(tǒng)計(jì)分析。對(duì)樣本特征進(jìn)行篩選組合，在保證識(shí)別準(zhǔn)確率的要求下，使用盡可能少的特征。特征篩選的方法也是數(shù)據(jù)降維的過(guò)程。用主成分分析法實(shí)現(xiàn)特征選擇，并設(shè)計(jì)正交實(shí)驗(yàn)等來(lái)對(duì)樣本進(jìn)行統(tǒng)計(jì)。

(3) 行為分類。識(shí)別是否為暴力動(dòng)作屬于二分類問(wèn)題。綜合考慮數(shù)據(jù)獲取難度、應(yīng)用場(chǎng)景、使用條件等因素，選取SVM分類算法用于異常行為檢測(cè)。選取線性核函數(shù)，訓(xùn)練時(shí)的輸入?yún)?shù)為特征矩陣X和對(duì)應(yīng)的分類標(biāo)簽Y。X為m×n的矩陣，m為樣本數(shù)量，n為特征數(shù)量，即每一行代表一個(gè)樣本，每一列代表一個(gè)特征。Y是m×1的列向量，每行表示當(dāng)前樣本的類別。訓(xùn)練完成后，即可用訓(xùn)練好的SVM分類器對(duì)動(dòng)作類別進(jìn)行預(yù)測(cè)。

4 實(shí)驗(yàn)與分析

在基于位置特征的行為檢測(cè)方面，本文分別針對(duì)闖入、脫管和滯留行為的算法識(shí)別準(zhǔn)確率進(jìn)行測(cè)試。每種行為分別進(jìn)行正樣本200組和負(fù)樣本200組進(jìn)行采集，然后對(duì)各行為的報(bào)警漏報(bào)率(指標(biāo)1)和誤報(bào)率(指標(biāo)2)進(jìn)行分析。測(cè)試結(jié)果如表2所示。

表2 基于位置特征的行為檢測(cè)實(shí)驗(yàn)

在基于加速度特征的行為檢測(cè)方面，根據(jù)樣本多樣性和多維度特征原則，按照不同性別、身高和體重，選取14名男性和7名女性志愿者分別進(jìn)行動(dòng)作數(shù)據(jù)采集，男性完成494次數(shù)據(jù)采集、女性完成612次數(shù)據(jù)采集。通過(guò)篩除部分非標(biāo)準(zhǔn)動(dòng)作和無(wú)效數(shù)據(jù)，選用1 000組數(shù)據(jù)完成了分類器訓(xùn)練。示例樣本加速度的X軸分量和提取的SVMA特征值曲線分別如圖8和圖9所示，其中y軸單位為重力加速度常量g。

圖8 示例加速度樣本數(shù)據(jù)集X軸分量

圖9 示例SVMA特征曲線

測(cè)試樣本總數(shù)量為83，其中正樣本(暴力動(dòng)作樣本)為57，負(fù)樣本(非暴力動(dòng)作樣本)為26，從假陽(yáng)性率(False Positive Rate,FPR)和假陰性率(False Negative Rate,FNR)兩個(gè)維度來(lái)考察二分類算法的分類性能，其中FPR表示將非暴力動(dòng)作預(yù)測(cè)為暴力動(dòng)作的次數(shù)占總非暴力樣本的比例，F(xiàn)NR表示將暴力動(dòng)作預(yù)測(cè)為非暴力動(dòng)作的次數(shù)占總暴力樣本的比例。測(cè)試結(jié)果如表3所示。從表3可以計(jì)算出，F(xiàn)PR為11.5%，F(xiàn)NR為1.8%。另外，綜合評(píng)價(jià)一個(gè)分類器的常用指標(biāo)是F值，其計(jì)算方式如下：

(3)

(4)

(5)

經(jīng)計(jì)算本次實(shí)驗(yàn)中分類器的F值為96.5%。從上述實(shí)驗(yàn)結(jié)果看，本文所提異常動(dòng)作檢測(cè)方法能夠在可接受的誤檢范圍內(nèi)，有效地實(shí)現(xiàn)異常動(dòng)作的檢測(cè)，很好地輔助管控區(qū)域安全管理。

5 結(jié) 語(yǔ)

針對(duì)人體異常行為，目前大部分已有系統(tǒng)和方法僅僅集中于解決單個(gè)或少數(shù)異常行為的檢測(cè)。而在實(shí)際情況下，人員動(dòng)作類型多且復(fù)雜，因此需要同時(shí)進(jìn)行全面的異常行為檢測(cè)。本文提出了基于位置特征和加速度特征的異常行為檢測(cè)方法，設(shè)計(jì)并搭建了全流程硬件和軟件系統(tǒng)，該方法對(duì)于應(yīng)用環(huán)境的適應(yīng)性和魯棒性較高。大量實(shí)驗(yàn)結(jié)果表明，所提方法能夠?qū)崟r(shí)準(zhǔn)確地對(duì)管控區(qū)域內(nèi)的個(gè)人異常行為(闖入、脫管、滯留和暴力動(dòng)作)和群體異常行為(異常接觸)進(jìn)行全面檢測(cè)，從而能夠提前阻止危險(xiǎn)活動(dòng)的發(fā)生，保障區(qū)域安全。