地铁应用场景中半监督群体异常行为检测模型

为了解决拥挤、奔跑及踩踏等地铁群体异常行为带来的公共安全风险问题，针对地铁车站监控视频样本的种类繁多、均衡性差、背景环境复杂多样等问题，提出一种可迁移性强、训练及运行效率高、样本量标注较少的半监督群体异常行为检测模型。结合卷积自编码器和卷积长短期记忆网络，分别对图像样本进行空间维度特征压缩重构和时间维度运动特征叠加，并通过自动检测实时监控视频图像，及时发现不同场景下人群状态的异常行为，以降低危害乘客财产生命安全的可能性。基于现有的视频监控系统，所提模型可以完成对车站内高发区域和场景的全覆盖，将监控图像每个像素的重构误差以热图或散点图的形式叠加到原始图像中，有助于监管人员迅速发现异常区域，并及时响应处置。在Subway、CHUK Avenue及自建的无锡地铁数据集上验证了所提模型的准确性。研究结果表明，与同类经典模型相比，所提模型在提升检测精度的同时也能基本满足地铁车站场景下的实时性应用需求。