文献综述
本课题的现状及发展趋势：近年来随着人工智能及深度学习的快速发展,机器学习成为科学家们研究的重要课题之一,视频监控系统中人体异常行为识别是机器学习领域的一个重要分支,是社会安防必不可少的技术手段。本算法对监控视频中两种人体异常行为进行识别,一是独居老年人的跌倒行为,二是敏感区域内行人异常徘徊行为,若识别出异常,则通知相关人员做出处理,使危险情况得到及时遏制。算法研究包括以下几点:首先,提出一种改进的GrabCut算法实现图像目标与背景分割。算法将GrabCut算法与均值漂移算法相结合,解决了GrabCut算法因迭代次数太多导致分割速度慢、均值漂移算法的带宽变化影响分割效果等问题。通过实验证明,该算法分割速度较快,能很好地保持图像纹理和边界,并且当目标与背景颜色相近时,也有较好的分割结果。其次,提出特征点匹配算法识别老年人跌倒行为。算法通过计算人体特征点的归一化转动惯量从而统计相邻两图中人体特征点匹配数目,并与某一阈值作比较,从而判断人体是否跌倒。实验结果表明,该算法可有效地区分出人体跌倒与非跌倒行为,而且改变拍摄角度或遮挡部分肢体对识别结果影响较小。最后,提出改进的双绊线检测算法识别敏感区域内人体异常徘徊行为。算法通过计算敏感区域内特征点数目并结合特征点停留于区域内的时间,从而判定是否有人跨入区域并做停留。实验结果表明,该算法在单目标或多目标的情况下都有很好的识别效果,而且不受目标相互遮挡、随意走动等因素的影响,可用于多种场景。本文算法对人体跌倒行为和敏感区域内人体异常徘徊行为都有良好的识别效果,能实时检测出异常行为,与其他传统算法相比,算法受肢体运动随意性的影响小,识别率高,应用范围广
异常行为检测在检测技术方面是人体行为识别方面的一个环节。Junejo等人[14]以轨迹的位置、速度、空时曲率等作为特征，提出了基于深度置信网络的异常行为检测；Yang等[15]提出了基于轨迹和多示例学习的局部异常检测方法；Zhang等人[16]结合视频中行人的运动信息和外观信息进行异常检测尽管以上这些异常行为检测的方法具有可观的精确率，但却没有合适的异常行为判定指标；胡学敏等人[17]将行人聚集度作为人体异常行为的评价标准；韩飞龙[18]选择KTH数据库[19]中的4类行人动作，规定正常行走为正常行为，摔倒、挥拳和奔跑是异常行为。为结合视频图像的采集场景，提出了具有4类动作的异常行为集合，视频图像中发生任意一类动作均视为异常行为。
异常行为往往伴随着安全问题，为了避免安全事故的发生，提前发出安全预警能够较大程度上避免生命财产损失[20]。视频监控中对于人群密度、人群流动等的研究较为普遍，并且基于视频的运动人体异常行为识别研究中已经取得阶段性成果，但是当面对特殊复杂环境的实时监测识别仍停留在较低水平，硬件设备与实际操作存在巨大差距[21]。在实际生产运用中，需要在异常行为识别效果的准确率与计算成本之间折中。由于运动人体行为极其的复杂多变，环境中背景更替、不断变化的形态与速度，给运动人体识别增加了难点。近年来随着生成对抗网络模型的提出[22]，生成对抗网络不仅被应用在图像生成，图像复原等方面，也被应用在图像的识别方面。唐贤伦等人[23]利用卷积神经网络强大的特征提取能力，加以条件辅助生成样本用于图像识别中。Liang等人[24]提出一个双运动生成对抗网络模型，通过对两个对抗性鉴别器的对称反馈信号的学习，以及未来帧生成器和未来流生成器的互补作用使得该方法在视频分析方面表现性能更佳。Ravanbakhsh等人[25]使用视频帧和相应的光流图像来训练生成对抗性网络，以学习场景常态的内部表示，并将实际数据与GAN重构后的数据进行比较，计算局部差异检测异常区域。目前相关研究处于起步阶段，基于生成对抗网络的异常行为预警是热点问题，对于复杂环境，仍然存在预警效果欠佳等问题。如何提高预警的可靠性和有效性，以及在复杂环境下系统的鲁棒性仍需解决的问题。
综上所述，基于生成对抗网络的突发性异常行为预警研究存在较大的研究空间和应用前景。因此，研究具有重要意义、具有前瞻性和较好的应用前景。为了最大限度地预防和减少突发性事件的发生及其造成的危害，保障公众生命财产安全，维护公共安全，有必要及早立项研究，以突破关键技术，推动行为预警技术在智慧城市建设中的发展和应用。
本课题的价值：
近年来国内外突发事件频繁发生，旅客在大巴车上行为失常、传销人员持砖袭警、孕妇头颈卡护栏窒息、摔倒老人无人敢扶、乱闯安检通道等，这些突发事件与人们生活息息相关；从2014年发生的云南火车站暴乱事件、2015年沙特阿拉伯圣城麦加朝觐者踩踏事件、2016年巴克达爆炸袭击事件、2017年索马里发生大规模汽车炸弹袭击、到2018年重庆公交车坠河等大规模突发事件，公共安全问题受到社会的普遍关注。
视频监控在生活中得到了广泛的应用，国内的重要公共场合都布置着大量的监控摄像头，然而目前监控摄像头数量的不断增加，视频监控只能起到场景的拍摄和记录功能，对于异常行为的检测需要依靠监控人员盯着屏幕观察视频中的异常信息，造成大量的人力浪费；同时，当监控人员的注意力不集中或疲劳时，容易错过重要的异常信息[1]。异常行为往往和安全相关联，所以即使当监控人员发现异常行为时，安全问题可能正在发生或者已经发生，会造成更大的生命财产损失。
全国各地建设的“平安城市”安防系统摄像头的数目从几万个逐渐曾加到几百万个甚至更多，智能视频监控也越来越受到人们的关注[2]。通过智能视频监控发现公共场景下的异常行为是必不可少的。在安全防护方面，它主要应用于高级视频移动侦测、物体追踪、烟火检测及人体行为分析等层面，其中人体行为分析应用于人们生活中的方方面面[3,4]。例如在火车站、飞机场、体育馆及广场等人流密集的区域，一旦有人打架，有人突然跳起或者突然爬行，有人快速奔跑，都可以被视为可疑行为并对该行为进行储存，必要时发出报警信号，保障社会秩序的安全[5,6]；在养老院、医院等护理场所，当有老人跌倒、病人晕倒等事件发生时，可以通过监控系统发出的警报及时通知相关人员进行救护[7]在银行金库、住宅小区楼道及军用仓库等人流稀少的场合，尤其是夜晚智能监控对盗窃事件的及时报警可以避免大量的不必要的损失，提高了公安部门破案的效率[8]。
突发性异常行为预警在社会安全和人民生活稳定方面占据不可取代的重要位置。但是相比与正常行为，异常事件方式的概率较小，使得监管任务更加复杂和具有挑战性。因此，对异常行为智能视频监控系统的需求越来越大，通过自动检测异常行为并发出警报。本项目针对目前视频监控系统中人力资源的浪费、防患安全问题的滞后化等问题，提出了基于生成对抗网络的突发性异常行为预警系统，利用智能视频监控技术进行突发性异常行为检测并发出预警，具有巨大的研究意义和应用前景。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
