شناسايي رفتارهاي ناهنجار در تصاوير ويدئويي با استفاده از شبكه عصبي كانولوشني

شناسايي رفتار ناهنجار ازلحاظ اهميت يك ضرورت در سامانه‌هاي نظارت بصري تبديل‌شده است. همچنين اين حوزه به‌عنوان يك چالش در تحقيقات بينايي ماشين بدل شده است. گرچه تلاش‌هاي بسياري به‌منظور رفع اين مشكل انجام‌شده است، اما شناسايي رفتار در يك محيط واقعي و غيرقابل‌كنترل فاصله معناداري تا به بلوغ رسيدن آن وجود دارد. مشكل اصلي ابهام در تفاوت خصوصيات رفتار غير نرمال و نرمال است كه تعريف آن معمولاً با توجه به زمينه پيشين تصاوير مي‌تواند متفاوت باشد. در اين مقاله يك سيستم شناسايي و موقعيت‌يابي رفتارهاي ناهنجار در سكانس‌هاي ويدئويي ارائه‌شده است. جنبه كليدي اين روش درواقع تركيب شبكه عصبي كانولوشني زمانمكاني دوبعدي و سه‌بعدي به‌منظور شناسايي رفتار غير نرمال در فريم‌هاي متوالي ويدئويي است. همچنين از روش شناساگر Features from Accelerated Segment Test (FAST) به‌منظور افزايش ضريب اطمينان در شناسايي موقعيت‌هاي موردنظر در تصاوير ورودي به مدل شبكه عصبي كانولوشني بهره گرفته‌شده است. اين ويژگي‌ها تنها از حجم پيكسل‌هاي داراي حركت استخراج مي‌شوند تا بتوانند هزينه محاسبه را كاهش دهند. ساختار مدل شبكه عصبي كانولوشني به ما اجازه استخراج ويژگي‌هاي زمانمكاني كه شامل استخراج ويژگي‌هايي با حركات پيچيده نيز هست را مي‌دهد.روش ارائه‌شده توسط مجموعه داده‌ي متداول كه شامل رفتارها و اعمال ناهنجار متفاوت انساني در موقعيت‌هاي گوناگون است، مورد آزمايش و ارزيابي قرار گرفته است. نتايج حاصل از آزمايش‌هاي مربوطه نمايانگر اين است كه سيستم ارائه‌شده در مقايسه با بسياري از روش‌هاي متداول پيشين، عملكرد بهتري را دارد و كارايي آن در شناسايي رفتار غير نرمال در مقايسه با روش‌هاي قبلي بسيار رقابتي است.