摘要
近年来，随着我国城市化进程不断加快，地铁凭借其便捷、安全、高效的优点，成为人们出行选择的主要交通工具之一。然而，地铁客运量的增加也使得其安全问题也逐渐凸显出来。如何利用现有地铁监控视频，在复杂的地铁场景下实时、准确地检测行人异常行为，对于保障地铁场景下的行人安全有着重要的现实意义。因此，本文重点研究了地铁场景下的行人异常行为检测，其主要研究的内容为： （1）提出了一种基于三维卷积和全局注意力机制的自编码器异常行为检测模型（GA-3DConvAE）。针对传统卷积自编码器只能提取数据的空间特征，忽略视频数据中行人的运动信息的问题，本文提出使用3D卷积操作提取行人的外观信息与运动信息。同时，为了解决地铁场景的复杂背景问题，在三维卷积自编码器的每层编码网络中，加入了全局注意力机制，使模型在编码时更注重对视频中的前景行人目标进行特征提取，还能有效利用数据局部和全局的交互信息，使得编码特征具有丰富的全局性，从而提升网络模型的表达能力，提高异常检测算法的性能。 （2）为了解决卷积自编码器强大的泛化能力使得模型在测试时也能将异常行为较好地生成的现象，本文提出了基于通道注意力机制的多级记忆增强自编码器异常检测方法（ML-CA-3DMemAE）。通过引入多块记忆模块用以增强模型对于不同层次维度的正常行为的学习能力，抑制异常行为的重构能力，从而提升模型异常行为检测性能。同时，使用了带有通道注意力机制的跳跃连接用以连接编码器和解码器，一方面可以为解码器网络提供侧重于前景目标通道信息的编码特征，辅助其对行人目标的生成，一定程度解决了地铁场景的背景复杂问题。另一方面也能使模型缓解因引入多级记忆模块导致信息过度过滤的问题。 通过在UCSDPed2数据集、CUHKAvenue数据集和本文自建的成都地铁站数据集上进行实验验证，结果表明本文所改进的两个异常行为检测算法与现有方法相比具有较好的异常行为检测性能，并且通过实验结果的重构误差热力图和异常得分曲线可以表明所提方法能够对异常行为进行较好的跟踪和定位。
NETL