摘要：針對以大量人工為主，智能化不高的安防監(jiān)控系統(tǒng)缺點，對智能行為識別技術在福利救助領域安防監(jiān)控中的應用進行了研究，闡述了現(xiàn)階段智能行為識別技術及發(fā)展，概述了智能行為識別技術的不足。通過對人工智能參與安防監(jiān)控行為識別與檢測的探討、對現(xiàn)有研究的綜述和分析，探討了人工智能技術在安防視頻監(jiān)控領域對異常行為識別的應用前景和挑戰(zhàn)。介紹人工智能下安防監(jiān)控中的異常行為識別概念、方法和技術，并討論了它們在福利機構的安防監(jiān)控中的重要性。

關鍵詞：人工智能安防監(jiān)控行為識別深度學習

中圖分類號：TP391

ExplorationofBehaviorRecognitionTechnologyinSecurityMonitoringforWelfareInstitutions

ZHANGJiaming

GuangzhouBeneficiaryResettlementCenter，Guangzhou，GuangdongProvince，510430China

Abstract：Inresponsetothedrawbacksofsecuritymonitoringsystemsthatrelyheavilyonmanualinterventionandlackhighintelligence，researchhasbeenconductedtosummarizetheapplicationofIntelligentBehaviorRecognitiontechnologyinsecuritymonitoringforwelfareassistance.ThispaperelucidatesthecurrentstageanddevelopmentofIntelligentBehaviorRecognitiontechnology，aswellasitsshortcomings.ByexploringtheparticipationofArtificialIntelligence（AI）inthebehaviorrecognitionanddetectionofsecuritymonitoring，reviewingandanalyzingexistingresearch，thispaperexplorestheprospectsandchallengesofapplyingAItechnologytoidentifyabnormalbehaviorsinthefieldofsecurityvideosurveillance.Theconcept，methods，andtechnologyofabnormalbehaviorrecognitioninsecuritymonitoringunderAIareintroduced，alongwithadiscussionoftheirimportanceinsecuritymonitoringwithinwelfareinstitutions.

KeyWords：AI;Securitymonitoring;Behaviorrecognition;Deeplearning

福利機構中的服務對象多數(shù)是弱勢群體，如殘疾人、患病老年人或兒童和精神病患者，而且存在接受服務群體數(shù)量基數(shù)大、自我照顧能力弱、人均所屬工作人員少等特點，進而導致管理風險和被服務群體的人身安全風險同步上升。安防監(jiān)控的應用對于福利機構有著舉足輕重的地位。首先，安防監(jiān)控可以確保被服務群體得到充分的保護，預防潛在的不法行為。其次，在發(fā)生爭議時，安防監(jiān)控可以作為關鍵的證據(jù)，有助于調查事件、澄清責任。最后，安防監(jiān)控系統(tǒng)的智能功能可以幫助福利機構高效地管理受助群體，有效及時地預防事故的發(fā)生。隨著20世紀后信息化技術的快速發(fā)展與迭代，結合鄭燁[1]對人工智能應用前景和社會影響等研究，發(fā)現(xiàn)人工智能未來在安防監(jiān)控領域扮演著越來越重要的角色。然而，現(xiàn)有的行為識別技術在現(xiàn)實應用中與理想預期仍存在較大的差距，需輔以大量人力緊盯屏幕監(jiān)測實時畫面，以避免智能系統(tǒng)無法檢測或者遺漏的異常事件或突發(fā)事件；并且，安防監(jiān)控系統(tǒng)具有初期投入建設成本高、進入門檻高、監(jiān)控存儲設備多、維護成本過高等情況。因此，如何利用更加智能的人工智能技術來有效解決這一問題成為一個重要的研究方向。本文旨在系統(tǒng)地研究和總結在人工智能技術支撐下的安防監(jiān)控中的行為識別技術，為相關領域的研究者和從業(yè)人員提供參考和借鑒。

1 行為識別技術的定義及應用場景

行為識別是指利用技術手段（如傳感器、攝像頭等）對特定環(huán)境中發(fā)生的活動或行為進行分析和識別的過程，通過收集數(shù)據(jù)并利用算法分析，系統(tǒng)可以識別出不同的行為模式，從而幫助監(jiān)控者或系統(tǒng)自動檢測異?；蛱囟ǖ男袨椋兄谔岣甙踩?、效率或者提供更好的服務?；谌斯ぶ悄艿陌卜辣O(jiān)控行為識別技術具有廣闊的應用前景。不僅可以應用于傳統(tǒng)的視頻監(jiān)控領域，還可以擴展到智慧救助、智慧城市等多個領域。通過結合各類傳感器和監(jiān)控設備，實現(xiàn)對多種行為的識別和預警，提升安全管理的智能化水平。綜上所述，基于人工智能的安防監(jiān)控行為識別技術在提升安全防范能力、降低人工成本、提高監(jiān)控效率等方面具有重要意義。隨著技術的不斷發(fā)展和應用場景的擴展，這一技術必將在安防領域發(fā)揮更加重要和廣泛的作用。異常行為識別是指通過監(jiān)控設備（如各類攝像頭）對特定場所進行長時間監(jiān)控，對監(jiān)控畫面中的人物、對象的姿態(tài)、動作或某些特定的運動軌跡進行分析與識別，判斷當前人的行為特征，如持械斗毆、跌倒、攀爬、突發(fā)疾病等，從而實現(xiàn)對異常、危險行為的識別和報警。

• 現(xiàn)階段行為識別技術的不足

現(xiàn)在的各類監(jiān)控中多數(shù)已經(jīng)有一定智能性的行為識別功能，但是它們在實際應用中仍然與人們的期望有較大的出入，主要有以下幾方面。

2.1 誤報率高

多數(shù)監(jiān)控因為本身硬件所限，其行為識別功能只能基于簡單規(guī)則與靜態(tài)閾值，因此在實際應用中十分容易受到環(huán)境因素的干擾（如光線的明暗變化、場景的多樣性、場景的動態(tài)性等）造成誤報，從而大幅度降低了該能原設定的可靠性。

2.2 智能有限性

傳統(tǒng)的行為識別主要依賴人工操作和各類預設定的規(guī)則，缺乏自主學習和適應性，不能有效地分析復雜場景，整體的反應能力相對較低。

2.3 實用性偏低

在實際使用中多數(shù)基于簡單的場景，無法對復雜的場景進行深層次分析與推理，無法有效處理多模態(tài)信息，進而無法進一步滿足用戶的復雜多變需求。

2.4 投入人工成本高

在一些服務群體多的應用領域中，傳統(tǒng)的行為識別功能因誤報高、智能性有限等先天因素限制，為保證業(yè)務精準，需要投入大量的人員進入對應的監(jiān)控崗位對系統(tǒng)的漏報、誤報等情況進行識別處理。

2.5 缺乏實時響應

傳統(tǒng)系統(tǒng)因硬件或算法負責度等因素從事件的發(fā)生到檢測最后到反饋至監(jiān)控中心（用戶）存在一定的延遲，導致無法及時采取有效措施應對緊急事件。

• 行為識別技術的意義

行為識別在許多領域具有重要的應用價值，主要體現(xiàn)在以下幾個方面：（1）行為識別可以幫助識別異常行為，如入侵、盜竊等，提供實時的監(jiān)測和預警，保護人員和財產安全，從而幫助用戶提升生活安全感；（2）通過及時發(fā)現(xiàn)各類意外事故，如意外跌倒、滑倒或某類疾病導致的異常行為，幫助用戶快速地發(fā)現(xiàn)和定位異常行為，從而能夠及時快速地做出反應和采取措施保障人員的生命和財產安全；（3）節(jié)省投入，提高整體識別率，行為識別功能在人工智能技術的加持下將變得更加智能、高效，可以大大地減少各個監(jiān)控崗位的人力投入，更加及時、高效檢測出異常行為。

• 發(fā)展歷程和發(fā)展趨勢

安防監(jiān)控系統(tǒng)歷經(jīng)人工監(jiān)控時代、閉路電視CCTV時代、數(shù)字化和網(wǎng)絡化時代到現(xiàn)階段的智能監(jiān)控時代，而其中的行為識別技術也隨著安防監(jiān)控系統(tǒng)在數(shù)字化和網(wǎng)絡化時代應運而生并與之一起發(fā)展演變。早期探索階段，行為識別技術處于萌芽階段，依賴基礎的圖像和特定的簡單算法集中研究簡單的動作識別并且十分依賴受限的環(huán)境和簡單的背景；20世紀90年代，行為識別技術進入了特征工程和模式識別階段，行為識別技術由研究單一動作開始轉向更加復雜的場景和交互動，這階段產生了隱馬爾可夫等模型；21世紀初，行為識別技術開始使用統(tǒng)計學習的方法（如向量機）開始關注多人交互行為；現(xiàn)階段，隨著智能人工領域的快速發(fā)展，行為識別技術也隨之使用深度學習、多模態(tài)學習等最新技術去綜合識別更復雜、更抽象的行為。在福利機構中因其服務人群的特殊性，在日常照料中安防監(jiān)控的作用日益凸顯，而行為識別功能作為安防監(jiān)控系統(tǒng)的重要功能在福利機構中也將有廣闊的應用前景，大致發(fā)展趨勢如下。

（1）早期預警和干預。利用行為識別技術來及早識別患者的異常行為模式，如焦慮、抑郁或攻擊性行為，可以幫助護理人員及時介入，提供必要的支持和干預。

（2）非侵入性監(jiān)測。發(fā)展更加非侵入性的監(jiān)測方法，例如使用攝像頭監(jiān)控來分析患者的行為而不干擾他們的日常生活。這有助于維護患者的尊嚴和隱私。

（3）個性化護理和康復計劃。利用行為數(shù)據(jù)來制訂個性化的護理計劃，通過分析患者的行為模式，可以更好地理解他們的需要，并制訂針對性的治療康復和護理計劃。

（4）數(shù)據(jù)驅動的決策制定。使用行為識別技術收集的數(shù)據(jù)支持決策制定，如調整治療方案、改進護理方法等。

（5）持續(xù)監(jiān)測變化。持續(xù)監(jiān)測患者的行為變化，并定期評估技術的有效性和對患者的影響，以確保提供最適合的護理。

5 識別過程

從現(xiàn)實場景映射到計算機系統(tǒng)，行為識別技術大致需經(jīng)過數(shù)據(jù)的采集、清洗等步驟（如圖1所示）讓機器理解現(xiàn)實世界，理解人類的特定行為。在多數(shù)的福利機構中因為其服務的群體多數(shù)為老人、身體存在缺陷或者精神上存在一定問題的人群，數(shù)據(jù)源的采集渠道相對單一，多基于場所攝像頭所錄制的實時視頻和圖片。在自行采集的數(shù)據(jù)基礎上，經(jīng)過清洗步驟把不相關的、無意義、畫面質量較差的數(shù)據(jù)剔除，然后進一步對得到的優(yōu)質特征數(shù)據(jù)，再通過使用速度快、準確率高且魯棒性強的行為識別模型進行分類歸集并識別，最后將用戶關注的特定行為及時在系統(tǒng)上呈現(xiàn)給用戶。

6 模型的討論及分析

6.1 基于手工特征的方法

基于手工特征的方法配合傳統(tǒng)的機器學習是行為識別中常用的一種方法。該方法利用圖像學和數(shù)學（如Bobick和Davis提出的MEI和MHI理論、Klaser提出的3DHOG等）來提取識別特征，建立特征庫并結合向量機SVM、K近鄰法等進而表達不同的行為模型和場景模型，使用較簡單的算法（如Chakraborty提出的Harris-Laplace算法、Schimid提出的iDT算法等）來判斷輸入視頻的特征是否符合模型的分布情況。如果特征與模型分布相差較大，則判定為異常。該方法在實現(xiàn)上相對簡單，能在有限的投入下，使用有限的設備即可使用，但是它十分依賴特征數(shù)據(jù)集要求數(shù)據(jù)的分布假設較為嚴格，同時需要識別目標須精準地出現(xiàn)在視頻中的特定位置，適用于背景單一并不復雜、光線良好且識別目標數(shù)量較少的場景，而對于一些背景復雜、畫面外觀頻繁變化或者識別目標與背景具有高相識度等復雜場景，而識別準確性則大打折扣不如人意。在運行響應方面，該方法需要大量的人工提取的特征數(shù)據(jù)進行訓練，運行計算量大，造成整體運行速度較慢，識別響應慢。而在特征庫數(shù)據(jù)方面也同樣存在瑕疵，該手工提出生成特征的行為識別技術需大量依賴特征提取人員的提取經(jīng)驗和知識、同時因需人工參與造成特征數(shù)據(jù)更新較慢、數(shù)據(jù)組成較單一，無法識別某些罕見行為，具有天然的局限性。

6.2 基于深度學習的方法

基于深度學習的方法是行為識別中的一種較新的技術。該方法將視頻逐幀分解，通過翻轉、裁剪等手段增加數(shù)據(jù)多樣性，然后調整圖像大小、規(guī)格規(guī)范數(shù)據(jù)；接著通過利用特征提取算法（如卷積神經(jīng)網(wǎng)絡CNN（ConvolutionalNeuralNetworks）、循環(huán)神經(jīng)網(wǎng)絡RNN（RecurrentNeuralNetwork）、雙流長短時記憶網(wǎng)絡LSTM[2]（LongShort-TermMemory）或門控循環(huán)單元GRU（GatedRecurrentUnit）等）構建特征數(shù)據(jù)集，使用構建并標記好的行為特征數(shù)據(jù)集訓練深度神經(jīng)網(wǎng)絡模型，配合利用各種正則化技術（如dropout）和優(yōu)化算法-如適應性矩估計Adam（adaptivemomentestimation）或隨機梯度下降SGD（StochasticGradientDescent）來優(yōu)化模型，防止模型過擬合；然后使用三維卷積神經(jīng)網(wǎng)絡3DCNN（3DConvolutionalNeuralNetworks），或雙流卷積神經(jīng)網(wǎng)絡（Two-StreamNetworks）進行模型融合；最后將提取到的行為特征輸入分類器（如Softmax）以自動學習和識別視頻中的正常行為和異常行為[3]。深度學習模型可以通過多層網(wǎng)絡結構和大量的訓練數(shù)據(jù)，提取視頻中的復雜特征實現(xiàn)高精度的行為檢測。使用深度學習方法的行為識別能技術能提取分析背景中的三維結構信息和時空順序信息并能較精準地獲取關鍵區(qū)域信息，對背景光照具有很好的魯棒性，具有更快、更高速地實時處理和分析大量數(shù)據(jù)的能力，因此對近距離無遮擋的明暗復雜場景有較好的適用性。同時，該技術能在不斷增加訓練數(shù)據(jù)的情況下自我學習，不斷提高識別準確率，對新出現(xiàn)的各種環(huán)境、背景和行為具有較高的適用性。使用基于深度學習的方法的行為識別技術依舊不可避免地存在一定的局限性，在前端的信息采集工具方面需使用專業(yè)的成本較高的視頻采集傳感器，而后端硬件方面因需實時處理海量的數(shù)據(jù)，對計算量有很高的要求，需要大量的專業(yè)硬件作為支撐。在技術層面，該技術雖然能提取三維和時空信息，但是無法提取分析顏色、紋理等特征信息，無法對遠距離或受遮擋的識別物進行精準識別，造成識別精度仍需解決的問題。陳煜平等人[4]指出，對較好的深度學習方法結果識別精度也只能達到74.53%。同時鄔開俊等人[5]提出，現(xiàn)有模型存在模型遷移性差、無法適應更換應用場景等缺陷。

6.3 基于數(shù)據(jù)融合多模態(tài)的方法

基于數(shù)據(jù)融合多模態(tài)的方法是行為識別中的一種現(xiàn)有研究方向的技術。因為單一模態(tài)因自身的局限性或多或少存在一些問題，無法很好高效地對各種行為進行分析識別，因此為解決上述問題提出數(shù)據(jù)融合多模態(tài)的方法，以取長補短彌補缺點，以便對行為有更精準的描述。數(shù)據(jù)融合多模態(tài)方法需經(jīng)過多模態(tài)數(shù)據(jù)輸入、數(shù)據(jù)同步和對齊、特征提取和融合、多模態(tài)特征融合、模型訓練、遷移學習、時序建模、模型壓縮等步驟以實現(xiàn)行為識別功能。其中數(shù)據(jù)來源于多模態(tài)（如在福利機構的安防監(jiān)控應用中數(shù)據(jù)多來源于監(jiān)控攝像頭的視頻、音頻和紅外序列等），特征融合則有使用卷積神經(jīng)網(wǎng)絡（CNN）等算法提取視覺RGB圖像特征與深度學習互補融合、紅外序列與深度學習融合等，方便后續(xù)使用類似He等人[6]提出的技術對堆疊的視頻幀構建完整的全局時序依賴或TPN網(wǎng)絡空間語義[7]。數(shù)據(jù)融合多模態(tài)的方法和上述兩種方法相比較，擁有以下的優(yōu)點。

（1）不同模態(tài)提供了不同類型的信息，進而得到更加豐富和全面的場景描述有助于更準確地捕捉到各種行為。

（2）對不同環(huán)境和數(shù)據(jù)變化具有更強的適應性并擁有很好的魯棒性。

（3）人類活動往往發(fā)生在復雜多變的環(huán)境中，數(shù)據(jù)融合多模態(tài)方法可以更好地處理這種復雜性，較大幅度減輕外在因素（如部分遮擋、光線變化、動態(tài)背景等）的影響。

（4）不同模態(tài)的組合融合給行為識別技術創(chuàng)造了擁有場景上下文的條件，從而進一步更加全面地理解行為的語境，提高識別的準確性。

• 在福利機構行為識別的解決方案
  • 系統(tǒng)架構

為解決前文所述目前安防監(jiān)控中行為識別功能所存在的難點，依托福利機構中的安防系統(tǒng)，提出對行為識別功能采用分布式-集中供給調度模式的全智能化開放體系架構（如圖2）。該系統(tǒng)體系大致分為展示層、前端層、預處理層、網(wǎng)關層和服務層。其中展示層表示的是行為識別后的結果給哪些服務群體進行展示，輔助他們及時并正確地處理和應對各種突發(fā)事件。前端層則分為數(shù)據(jù)展示和數(shù)據(jù)采集兩部分。數(shù)據(jù)展示是把行為識別后的詳細結果在各類的顯示終端上進行展示（如視頻展示終端、預警終端等），其中行為識別后的詳細結果應顯示具體的事件發(fā)生因素、詳細的用戶信息和處置建議，輔助工作人員第一時間快速了解現(xiàn)場情況并及時做出正確的決策處理突發(fā)事件。數(shù)據(jù)采集則是由部署在機構場所內的視頻監(jiān)控設備（如3D深度攝像頭、紅外攝像頭等）實時拍攝把數(shù)據(jù)數(shù)字化后傳回機房后端設備，再經(jīng)由本地高性能感知和理解智能化設備即預處理層完成特征提取、特征標識、時序分析等初步工作。然后經(jīng)網(wǎng)關層把預處理數(shù)據(jù)快速傳遞到遠端服務層。上述的預處理數(shù)據(jù)數(shù)量龐大且實時性有一定的高要求，網(wǎng)關層需由萬兆以上交換機、光纜專線等高速設備或通路組成。其次，服務層則是依托遠端的算力中心集群和模型訓練中心集群，調用合適的模型對上傳特征數(shù)據(jù)進行快速實時識別，最后把識別結果通過網(wǎng)絡反饋至前端層的數(shù)據(jù)顯示。

7.2 系統(tǒng)優(yōu)勢探討

本系統(tǒng)采用類似分布式SOA架構，把整個系統(tǒng)分為本地部署和遠程服務兩部分，整體具有以下優(yōu)勢。

7.2.1 準入門檻低，整體維護難度低

系統(tǒng)的本地部署主要基于安防監(jiān)控的常規(guī)設備（如攝像頭、EVS存儲等）外輔以少量的高性能感知和理解智能化設備對實時視頻數(shù)據(jù)進行預處理，不需要額外投入巨額成本建設和維護大量人工智能硬件設備，投入最低限度的硬件設備就可以建成并應用。

7.2.2 行業(yè)共享性強，利于提升識別率

行為識別的基礎是訓練數(shù)據(jù)集，使用集群中心的方式利于同行業(yè)的數(shù)據(jù)分享以便集中多個機構的數(shù)據(jù)，增加訓練數(shù)據(jù)的量級，提高模型的智能性，使得模型對不同場景、不同行為有更優(yōu)秀的適應性。

7.2.3 資源擴展性強，響應速度高

本系統(tǒng)架構具有良好的資源擴展性，可根據(jù)機構具體運作需求靈活動態(tài)地擴展計算資源或者調度相應的識別模型，當需要使用更優(yōu)秀的識別模型或者更強的算力時，可以簡單地切換集群節(jié)點，無須變動系統(tǒng)架構。在識別復雜場景需要大量的算力時可靈活使用分布式計算的方式，靈活調配算力資源，加快計算響應時間，保證識別速度無感化。

7.2.4 可靈活定制，具有良好的容錯性和可用性

可以根據(jù)機構自身業(yè)務需求和場景類型進行定制化配置，選用實用度高的識別模型與算力規(guī)模，同時具有本地部署不可比擬的高容錯性和高可用性，即便某些節(jié)點出現(xiàn)故障，也不會影響整體識別過程，可以保障識別功能實時正常運行。

7.3 挑戰(zhàn)與問題

主要是指隱私與安全問題。行為識別在安防監(jiān)控中的應用涉及用戶的隱私和安全問題。安防監(jiān)控涉及個人和機構的隱私，如何保護隱私不被濫用和侵犯是行為識別技術在福利機構安防監(jiān)控中需要解決的問題之一。此外，安防監(jiān)控系統(tǒng)因行為識別功能需與互聯(lián)網(wǎng)互聯(lián)，本身也面臨著被黑客攻擊和篡改的風險，如何保障系統(tǒng)的安全性也是一個挑戰(zhàn)。

8 結語

通過對福利機構安防監(jiān)控中的行為識別技術的全面分析，本文指出了現(xiàn)有行為識別功能在該領域的不足、分析當前常用模型的實用性和提出了對應的未來架構設想。未來的研究應重點關注數(shù)據(jù)融合多模態(tài)的探索、隱私與安全問題以及技術復雜性與可靠性問題。

參考文獻

[1]鄭燁，任牡丹，F(xiàn)OUNTAINJE.基于文獻計量的中外人工智能政策研究現(xiàn)狀及啟示[Ｊ].情報雜志，2021，40（1）：48-55.

[2]揭志浩，曾明如，周鑫恒，等.結合Attentiom-ConvL-STM的雙流卷積行為識別[J].小型微型計算機系統(tǒng)，2021，42（2）：405-408.

[3]陸衛(wèi)忠，宋正偉，吳宏杰，等.基于深度學習的人體行為檢測方法研究綜述[J].計算機工程與科學，2021（12）：2206-2215.

[4]陳煜平，邱衛(wèi)根.基于CNN/LSTM和稀疏下采樣的人體行為識別[J].計算機工程與設計，2019，40（5）：1445-1450.

[5]鄔開俊，黃濤，王迪聰，等.視頻異常檢測技術研究進展[J].計算機科學與探索，2022，16（3）：529-540.

[6]HEDL，ZHOUZC，GANCA，etal.StNet：LocalandGlobalSpatial-TemporalModelingforActionRecognition[J].ProceedingsoftheAAAIConferenceonArtificialIntelligence，2019，33（1）：8401-8408.

[7]YANGCY，XUYH，SHIJP，etal.TemporalPyramidNetworkforActionRecognition[C]//2020IEEE/CVFConferenceonComputerVisionandPatternRecognition.2020：588-597.