基于深度学习的地铁站异常行为实时识别算法探析  

作　　者：潘飞飞 

机构地区：[1]安徽理工大学计算机科学与工程学院

出　　处：《计算机产品与流通》2024年第6期109-111,共3页COMPUTER PRODUCTS AND CIRCULATION

摘　　要：现如今,地铁已经成为中大型城市人们的主要出行方式,地铁站成为人流密集的公共场所,出现异常行为的风险也随之增大,而异常行为在公共场所发生会给人民生命财产安全带来重大威胁,因此对异常行为的检测尤为重要。传统视频监控方式费时费力,而随着深度学习技术的不断发展,研究者们已经尝试将深度学习技术应用到视频监控中,实时监控人流,及时发现异常行为并进行处置,以规避更大的安全风险。实际地铁站异常行为检测场景中还存在以下两点问题:一是地铁场景下对异常行为检测任务的及时性要求较高,目前算法只对每一帧的静态特征进行检测,未考虑多帧之间的运动特征,使得异常检测出现延迟;二是地铁站中人员密集,异常行为可能出现在离监控摄像头较远的地方,目前的检测模型对小目标行为的检测能力较弱。

关 键 词：异常行为检测 视频监控 异常检测 实时识别 监控摄像头 深度学习 静态特征 公共场所 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]