改进了边界框细分技术,用于通过最佳训练的卷积神经网络检测群众异常
1Department of Electronics and Communication Engineering, Noorul Islam Centre for Higher Education, Kanyakumari, India.
Network (Bristol, England)
|March 12, 2025
概括
这项研究引入了一种新的群众异常检测方法,使用优化的算法来识别实时监控中的不寻常行为. 该方法通过提高在动态环境中检测潜在威胁的准确性来提高安全性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 安全系统安全系统
背景情况:
- 人群异常检测对于安全和监视至关重要.
- 现有的模型很难有效地整合空间和时间特征,以精确识别异常.
研究的目的:
- 提出基于对立行为学习的新型人群异常检测,更新了黑猩猩优化算法 (CAD-OBLChoA).
- 通过克服当前模型的局限性,增强在动态环境中检测异常人群行为.
主要方法:
- 使用双边过来减少噪音的图像预处理.
- 通过卷积神经网络-长期短期记忆 (CNN-LSTM) 界限框方法进行对象检测.
- 提取颜色,形状和改进的纹理功能.
- 使用优化的CNN进行异常检测,由反对行为学习训练,更新了黑猩猩优化算法 (OBLChoA) 进行重量调整.
主要成果:
- 拟议的CAD-OBLChoA方案实现了高特异性:数据集1上的0.924和数据集2上的0.931,90%的培训数据.
- 在动态设置中证明了对异常人群行为进行更好的检测.
结论:
- CAD-OBLChoA方法在人群监控和安全方面提供了显著的改进.
- 通过增强的异常检测,可以更快地识别潜在的威胁或紧急情况.
