一种基于受限玻尔兹曼机的路径点数据行为识别方法
【技术领域】
[0001]本发明涉及的是一种视频传感器调度领域中的方法，具体涉及一种基于受限波尔兹曼机的路径点数据行为识别方法。
技术背景
[0002]小水电在农村社会经济发展、节能减排和应急救灾等方面发挥了重要作用，并且随着水电站远程监控系统的研宄和应用，逐步实现了“无人值班、少人值守”。但是由于人为入侵、高危安全警戒不完善、视频传感器网络随机部署数量不足等原因，无法做到无死角覆盖或者目标K覆盖监控。一些小水电站安全隐患严重，事故时有发生，危及人民群众的生命和财产安全。
[0003]由于无人值班存在的人为入侵隐患等问题，需要通过视频传感器对入侵目标进行监控。对于小水电高危区域，其覆盖质量有一定的要求，需要区域中每个目标点至少被K个目标同时覆盖，以保证随时监控目标的行为并发出警报。但是由于视频传感器部署数量的限制，很难做到对入侵目标的每个时刻都有至少K个目标同时覆盖。
[0004]对于传感器无法保证K覆盖的问题，有多种不同的解决方法。一种方法是增加视频传感器的数量，这种方法可以从根本上解决传感器部署问题，但该方法的实施成本很高且部分区域传感器部署困难无法部署更多数量的传感器。为了适应覆盖需求，产生了另一种策略，通过先对目标进行危险度判定，对于不同危险度的目标，使用不同数量的传感器进行覆盖。而如何判别目标的危险程度则成为了问题的关键，判定算法的好坏决定了监控区域内安全系数的高低，设计一种好的判别算法具有意义。
【发明内容】
[0005]为了克服已有视频传感器路径点数据行为识别方式的准确性较低的不足，本发明提供一种有效提高准确性的基于受限玻尔兹曼机的路径点数据行为识别方法。
[0006]本发明解决其技术问题所采用的技术方案是:
[0007]一种基于受限玻尔兹曼机的路径点数据行为识别方法，所述识别方法包括以下步骤:
[0008](I)对一系列路径点数据进行预处理操作
[0009]对于一系列由目标随时序移动产生的路径点集合IxiI i = 1,2,3...}，使用将其转化为方向向量，然后将方向向量标准化，即对于向量V(X，y)使x2+y2= I ；
[0010](2)初始化受限玻尔兹曼机神经网络
[0011]设神经网络层数为n，每层的神经元数量为N1, N2, Nf Nn，随机产生[0，I]之间的随机数作为神经网络的连接权值；
[0012](3)将数据输入受限玻尔兹曼机中进行预学习；
[0013]首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点数量为N1的可视层，节点数量为队的隐含层，使用RBM优化方法(使用CD-K算法，具体可以参见http://deeplearning.net/tutorial/rbm.html)优化网络权值，并在训练完成后计算网络输出；
[0014]然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出层外的所有两层神经网络；
[0015](4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使用BP算法进行微调；
[0016](5)使用神经网络判断新的路径点数据
[0017]对新的目标路径点数据进行步骤(I)中的预处理，输入到神经网络中判断，输出目标的行为识别结果。
[0018]进一步，所述步骤(4)中，将步骤(3)中所有两层网络合并成一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络的连接权值，使用BP算法微调网络权值，得到目标神经网络。
[0019]本发明的技术构思为:对于路径点数据行为识别来说，模型越复杂，特征数量越多，单路径的判断计算量就越大，所需的时间就越多，传感器能量消耗就越大。路径点数据的采样对于行为识别具有影响。由于采样频率的关系，往往一条简单的数据路径由许多的路径点构成，而路径数据点具有的地理位置相关等特性对于行为识别没有意义。
[0020]首先通过将数据输入到受限玻尔兹曼机中进行预学习，使网络能够提取路径点数据的低维特征，然后使用受限玻尔兹曼机的权重作为神经网络的权重，使用梯度下降法微调权值，直到算法收敛。最后将新的路径点数据输入网络中判断路径的危险程度，输出行为识别结果。
[0021]本发明的有益效果主要表现在:以有效的对数据进行降维，去除路径点数据中的脏数据和异常数据，能够将整条路径的有效特征提取出来作为分类依据，从而提高路径点数据行为识别方法的准确性。
【附图说明】
[0022]图1是一种基于受限玻尔兹曼机的路径点数据行为识别方法的流程图；
[0023]图2是基于本发明算法实现的视频传感器动态K覆盖监控系统的结构示意图。
【具体实施方式】
[0024]下面结合附图对本发明作进一步描述。
[0025]参照图1和图2，一种基于受限玻尔兹曼机的路径点数据行为识别方法，所述识别方法包括以下步骤:
[0026](I)对一系列路径点数据进行预处理操作
[0027]对于一系列由目标随时序移动产生的路径点集合IxiI i = 1,2,3...}，使用将其转化为方向向量，然后将方向向量标准化，即对于向量V(X，y)使x2+y2= I ；
[0028](2)初始化受限玻尔兹曼机神经网络
[0029]设神经网络层数为n，每层的神经元数量为N1, N2, NfNn，随机产生[0，I]之间的随机数作为神经网络的连接权值；
[0030](3)将数据输入受限玻尔兹曼机中进行预学习；
[0031]首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点数量为N1的可视层，节点数量为队的隐含层，使用RBM优化方法(使用CD-K算法，具体可以参见http://deeplearning.net/tutor ial/rbm.html)优化网络权值，并在训练完成后计算网络输出；
[0032]然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上计算得到的网络