31、静态图像与视频监控中的人体异常行为识别

静态图像与视频监控中的人体异常行为识别

1. 研究背景与意义

随着国内外经济的飞速发展，城市化进程显著加快，但也随之带来了一系列问题。城市人口的快速增长使得留守老人和儿童的数量及占比不断增加，老人的健康和安全问题愈发突出，每年都有老人因摔倒而发生事故甚至死亡。同时，城市环境日益复杂，盗窃、群殴和恐怖袭击等突发暴力事件频繁发生，严重干扰了社会公共秩序，给人们带来了巨大损失。因此，各国政府更加重视公共安全的预防工作，视频监控作为重要的预防工具，在公安、交通、银行等重要部门得到了广泛应用。

目前，视频监控中的人体摔倒行为识别存在诸多问题，导致识别结果异常，无法达到预期效果。为了解决这些问题，有必要实现智能视频监控，以满足社会需求，实现对视频监控画面的自动分析和理解，并及时对异常事件进行报警，从而减少损失。

2. 静态图像中人体异常行为识别

2.1 两种系统识别延迟对比

通过对比传统识别系统和基于神经网络算法的识别系统在图像采集、动态跟踪、动态识别方面的表现，得出相关数据，如下表所示：
| 系统类型 | 图像采集 | 动态跟踪 | 动态识别 | 准确率% |
| — | — | — | — | — |
| 传统识别系统 | — | S | S | 59 |
| 本文介绍的识别系统 | — | S | S | 69 |
| 传统识别系统 | S | — | S | 86 |
| 本文介绍的识别系统 | S | — | S | 94 |
| 传统识别系统 | S | S | — | 70 |
| 本文介绍的识别系统 | S | S | — | 91 |
|