一种基于对抗训练技术的地铁场景异常行为检测方法与流程

本发明针对地铁站场景中异常行为样本数据集缺失限制缺陷识别算法发展的情况，提出了一种基于对抗训练技术的半监督地铁站异常行为检测技术。

背景技术：

1、在现代城市交通系统中，地铁作为一种高效、便捷的公共交通方式，每天承载着大量乘客的出行需求。随之而来的是对地铁系统安全管理的重大挑战，特别是如何有效检测和预防异常行为，以保障乘客的安全与舒适。异常行为包括但不限于打斗、推搡、意外跌倒、携带危险物品等，这些行为的发生可能会引起恐慌、伤害甚至更严重的安全事故，因此开发有效的异常行为检测系统显得尤为重要。

2、然而，这一任务面临着不小的挑战。首先，地铁场景下异常行为的样本数据稀缺且难以获取，这主要是由于这些行为的低频发生性及其潜在的安全风险，同时也涉及到隐私保护的问题。其次，即使能够收集到相关数据，样本的多样性和质量也难以保证，这在很大程度上限制了检测算法的性能和泛化能力。此外，地铁站的高动态背景、拥挤的人流等也为异常行为的检测带来了额外的复杂度。

3、为了克服这些挑战，目前已经有多种数据获取和增强策略被提出和实施。其中，直接在地铁站部署监控设备采集实时数据是获取原始样本的直接方式，但这种方法通常受限于隐私保护法规。同时，开源数据集(如coco和imagenet)虽然提供了大量图像数据，但通常需要经过筛选和进一步的人工标注，以适应地铁场景下的异常行为检测需求。图像合成技术，特别是基于深度学习的生成对抗网络(gans)，为生成逼真的合成图像提供了可能，这有助于扩充和多样化训练数据集。此外，众包平台的使用可以有效地聚合人工智能，对收集或生成的图像进行准确标注，尽管这也引入了标注一致性和准确性的挑战。

4、考虑到上述多样化的数据获取和增强策略，地铁场景下的异常行为检测技术仍然需要不断地探索和优化。采用机器学习和深度学习算法，结合有效的数据预处理、增强学习和迁移学习策略，可以在一定程度上提高检测模型的准确性和泛化能力。同时，强化对数据隐私保护的关注和合规性审核也是实现这些技术广泛应用的前提。

技术实现思路

1、本发明提出了一种基于对抗生成网络的半监督学习方法，旨在解决地铁站监控视频中异常行为检测的挑战。考虑到地铁场景中异常行为样本的稀缺性和多样性，本方法采用对抗训练技术生成高度逼真的异常行为数据，以此增强异常检测算法的学习能力和泛化性。

2、为了实现上述目的，本发明所采用的技术方案为：一种基于对抗训练技术的地铁场景异常行为检测方法，包括以下步骤：

3、步骤1：构建基准数据集：从地铁站监控系统中收集实时视频数据，利用自动化视频分析技术进行初步处理；

4、步骤2：基准数据集预处理：对基准数据集中的正常行为样本进行预处理，提高数据质量为模型训练准备数据；

5、步骤3：生成异常行为虚拟样本：基于生成对抗网络，通过对抗训练方法，生成异常行为的虚拟样本；

6、步骤4：半监督异常行为检测模型训练：结合真实的正常行为样本和通过生成对抗网络生成的异常行为虚拟样本，训练半监督的异常行为检测模型。

7、作为本发明的一种优选方式，所述步骤1具体为：

8、通过动作识别和轨迹分析，从视频数据中识别并标注出代表正常行为的样本，通过深度分析视频数据，捕捉到场景的结构及光照特性，从而构建基准数据集；正常行为的样本包括行走和站立。

9、作为本发明的一种优选方式，所述步骤2具体为：

10、通过帧提取、噪声去除和数据增强方法，提高数据质量并为模型训练准备数据；通过捕捉到的场景结构及光照特性创建三维场景模型，确保随后生成的虚拟异常行为数据能够在几何形态和光照条件上与实际场景达到高度一致。

11、作为本发明的一种优选方式，所述步骤3具体为：

12、生成对抗网络采用ganomaly框架，包含编码器-解码器-编码器结构，第一编码器将输入图像映射至一个较低维度的潜在空间，解码器利用潜在空间中的向量重新构建图像，第二编码器使重建图像在潜在空间具备连续性与一致性。

13、作为本发明的一种优选方式，生成对抗网络通过学习输入数据的潜在表示，并基于这些表示生成虚拟的异常行为样本，将虚拟的异常行为样本补充至基准数据集，形成补充数据集。异常行为包括未经授权的进入禁区和突然跌倒。

14、与现有技术相比，本发明具有以下技术效果：

15、1、本发明采用ganomaly框架，设计了一个包含编码器-解码器-编码器结构的对抗生成网络，生成虚拟的异常行为样本。该模型通过训练学习生成多样化的异常行为虚拟样本，能够解决异常行为数据稀缺的问题。

16、2、本发明结合真实的正常行为样本和通过ganomaly生成的异常行为虚拟样本，训练了一个半监督的异常行为检测模型。该模型集成了深度学习技术，如卷积神经网络(cnn)和循环神经网络(rnn)，并引入了注意力机制，以提高对异常行为的识别精度。在模型训练过程中，本发明通过优化损失函数和调整算法参数，使模型能够有效地区分正常与异常行为，并提高对未见异常行为的检测能力。

技术特征：

1.一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于，所述步骤2具体为：

4.根据权利要求1所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于，所述步骤3具体为：

5.根据权利要求4所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于：生成对抗网络通过学习输入数据的潜在表示，并基于这些表示生成虚拟的异常行为样本。

6.权利要求5所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于，将虚拟的异常行为样本补充至基准数据集，形成补充数据集。

7.权利要求5所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于：异常行为包括未经授权的进入禁区和突然跌倒。

8.权利要求1所述的一种基于对抗训练技术的地铁场景异常行为检测方法，其特征在于，所述步骤4具体为：

技术总结
本发明公开了一种基于对抗训练技术的地铁场景异常行为检测方法，属于视频检测领域，包括步骤1：构建基准数据集：从地铁站监控系统中收集实时视频数据，利用自动化视频分析技术进行初步处理；步骤2：基准数据集预处理：对基准数据集中的正常行为样本进行预处理，提高数据质量为模型训练准备数据；步骤3：生成异常行为虚拟样本：基于生成对抗网络，通过对抗训练方法，生成异常行为的虚拟样本；步骤4：半监督异常行为检测模型训练：结合真实的正常行为样本和通过生成对抗网络生成的异常行为虚拟样本，训练半监督的异常行为检测模型。

技术研发人员：李佑文,范三龙,翟江涛,乐凌志,刘光杰,丁桃胜
受保护的技术使用者：南京国电南自轨道交通工程有限公司
技术研发日：
技术公布日：2024/10/24