公开(公告)号：CN106022244A

公开(公告)日：2016-10-12

申请号：CN201610322129.3

申请日：2016-05-16

Applicant: 广东工业大学

Inventor： 蔡瑞初 ,  陈恬 ,  郝志峰 ,  谢伟浩 ,  温雯 ,  陈炳丰 ,  黄灿锦

IPC: G06K9/00

Abstract: 本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。

公开(公告)号：CN106022244B

公开(公告)日：2019-09-17

申请号：CN201610322129.3

申请日：2016-05-16

Applicant: 广东工业大学

Inventor： 蔡瑞初 ,  陈恬 ,  郝志峰 ,  谢伟浩 ,  温雯 ,  陈炳丰 ,  黄灿锦

IPC: G06K9/00

Abstract: 本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。

公开(公告)号：CN104636751A

公开(公告)日：2015-05-20

申请号：CN201410795393.X

申请日：2014-12-11

Applicant: 广东工业大学

Inventor： 蔡瑞初 ,  谢伟浩 ,  郝志峰 ,  袁畅 ,  陈恬 ,  温雯 ,  王丽娟 ,  洪英汉

IPC: G06K9/62 ,  G06K9/66 ,  G06N3/02

Abstract: 本发明公布了一种基于时间递归神经网络(recurrent neural network)的人群异常检测和定位系统及方法。该方法在对采集到的样本数据进行预处理的基础上对场景进行网格化划分，将由n帧构成的视频片段划分成多个时空块。然后从每个时空块中构造多规模光流直方图和Gabor小波纹理特征。向量化并合并多个时空块中的特征，将视频片段作为时间序列，分别利用时间递归神经网络的隐含节点和反馈节点来发现空间维度和时间维度的关系，训练能检测长依赖关系的时间递归神经网络模型。最后利用该模型进行人群异常检测和定位。该方法具有较好的实时性和准确性，能检测由少数个体或者是由大量个体触发的异常。

公开(公告)号：CN104504637A

公开(公告)日：2015-04-08

申请号：CN201410795360.5

申请日：2014-12-11

Applicant: 广东工业大学

Inventor： 蔡瑞初 ,  袁畅 ,  郝志峰 ,  谢伟浩 ,  谢蔚涛 ,  温雯 ,  王丽娟 ,  洪英汉

IPC: G06Q50/30

CPC classification number: G06Q50/01

Abstract: 本发明公布了基于行为时间序列的社交网络因果关系发现算法。该算法包括构建全局因果关系图、确定因果影响滞后期、优化因果关系图结构这三个阶段。在构建全局因果关系图阶段，基于行为时间序列数据发现行为时间序列变量间的因果关系，构建全局因果关系图；在确定因果影响的滞后期阶段，基于最小描述长度准则确定存在因果关系的行为时间序列变量间间的影响滞后期，更新全局因果关系图对应边的权值；在优化因果关系图结构阶段，基于全局因果图检查全局因果关系图中所有边及其滞后期，剔除冗余的因果关系以及缩短因果影响中冗余的滞后期，最终实现行为时间序列数据上的可靠因果关系发现。