异常行为检测论文学习综述

---

近来找了几篇异常行为检测的论文，先大概浏览了一下摘要，记录主要内容，以便后续查看。

---

1、Abnormal behavior detection using hybrid agents in crowded scenes

Keywords:
Visual surveillance
Abnormal behavior detection
Event detection
Behavior recognition

在本篇论文中，作者提出一种混合代理方法来检测拥挤场景中异常行为。在真实情境下，异常行为的发生经常伴随猛烈的动作，例如，突然速度加快，在一个局限的区域中混乱的运动，或者是与周围人动作的对比，比如在恐慌情境下。在本文的模型中，作者将行为分为个人行为和群体交互行为。为了对比，群里交互行为由相邻人之间交互动作的信息定义。作者提出一个混合代理系统，包含静态和动态的代理，以便有效地观察在拥挤场景中个人行为和交互行为。静态代理是用来处理某个特定的点，用来分析该点周围的动作信息。而动态代理与静态代理不同，动态代理是用来处理一个移动的目标，分析目标运动动作信息和周围人的动作信息。作者提出，将人群行为作为一个Bag-of-words模型，通过静态和动态代理的信息整合，来确定人群行为的异常。实验结果展示出，本文方法有效地检测出拥挤场景下的异常行为。

学习点：系统是如何实现的，个体行为如何分析。如何对比分析周围人的动作信息。

2、Activity Recognition and Abnormal Behaviour Detection with Recurrent Neural Networks

Keywords:
Smart Homes
Sensor based Activity Recognition
Recurrent Neural Networks
Dementia
Abnormal Behaviour Detection

在这篇文章中，作者研究了关于痴呆症的老年人的动作识别和异常行为检测的问题。几乎很少的研究试图处理这个问题，因为缺少痴呆病症的实验数据。特别的，这篇论文验证了RNN的三个变体： Vanilla RNNs (VRNN)，Long Short Term RNNs (LSTM) and Gated Recurrent Unit RNNs (GRU)。本文中，活动识别被认为是一个序列标签问题，而异常行为是基于与正常模式脱离标记的。在本文中，为了对RNN性能的讨论提供一个适当的讨论，作者将它们与最先进水平的方法进行了比较，如Support Vector Machines (SVMs)，Na¨ıve Bayes (NB)，Hidden Markov Models (HMMs)，Hidden Semi-Markov Models (HSMM) 和Conditional Random Fields (CRFs)。获得的结果表明，RNN与这些先进水平的方法相比是有竞争力的。更进一步，由于在真实世界，难以获得痴呆症病人的行为数据，本文提出一个生成合成数据的方法。

学习点：如何将RNN应用于异常行为分析。

3、Modeling Representation of Videos for Anomaly Detection using DeepLearning： A Review

这是篇综述。这篇综述调查了基于视频的异常检测目前的进展。作者提出了基于视频异常检测最基本的方面，即视频特征表示。大部分研究工作都是在寻找一种合适的表示方法，以便在视频流中，以可接受的误报率，准确的检测异常。然而，由于环境和人类动作的大量变化，这是个巨大的挑战，由于高维度的数据特征带来了较高的空间时间复杂度。深度学习算法的弱监督特性可以帮助从视频数据本身中学到表示方法，而不用手动地从某个特定场景下设计合适的特征。在这篇文章中，叙述了已存的关于异常检测和动作识别任务，使用深度学习技术对视频表示建模的方法。

学习点：综述文章，可做了解。

4、Predicting Human Behavior from Public Cameras with Convolutional Neural Networks

没有写摘要，浏览了下目录，是关于行人行为分析的，比如行人检测和路径分析，提高了机器学习和深度学习，看起来论文不是很全，只有相关工作的部分。

学习点：是否可从路径预测方面分析？

5、Soft + Hardwired Attention_ An LSTM Framework for Human Trajectory Prediction and Abnormal Event Detection

Keywords:
human trajectory prediction
social navigation
deep feature learning
attention models

作为人类，我们经过多年的实践积累，拥有直观的导航的能力。然而，已存的方法对于这种特性建模，不同的任务，包括监控行为流量和检测异常实践，通过使用各种手工制作的特征已经受到限制。深度学习这方面最近的研究已经证实了从数据中直接学习特征的能力，并且循环神经网络相关的研究已经表明了序列到序列问题的典型结果，例如神经机器翻译和神经图像标题生成。受到这些方法的激励，作者提出一种新的方法，在给定一段较短的关于某个行人的历史数据、其周围的人和过去的行为，来预测行人的下一步动作。这个方法的创新点在于其结合了关注模型，这种模型使用了软关注和硬关注示，来映射从局部邻域到关注的行人的未来位置的轨迹信息。作者阐述了，关注权重（如硬连线）的一个简单的近似值是如何与软关注权重混合一起，在有着几百相邻人的真实世界情境下使得模型更可靠。这个方法的导航能力已经在两个公共可靠地监督数据集上验证过，其性能超越了当前最先进水平。此外，我们验证了这个架构如何直接应用于异常事件检测中而不需要手工特征。

学习点：可以学习深度学习是如何用于异常检测。

6、Adaptive weighted imbalance learning with application to abnormal activity recognition

Keywords:
MHealth
Imbalance learning
Two-stage
Falldetection

异常行为识别在医疗健康和其他相关领域已经引起了很大的关注，特别是对老年人的身心健康，坠落事故的高风险，它导致的疾病已经引起越来越多的关注。目前，本文开发的基于坠落检测技术的设备可以有效实时地监控坠落事件的发生，并帮助受伤人员接受急救。然而，对于坠落检测和监控，传统方法的内置分类器尽管可以达到一个相对高的检测正确率，但是其误报率过高，进一步地，由于异常行为的传感器数据在真实应用中很稀少，这种方法必须面对这种不平衡问题。为了处理这个难题，作者提出了一种对于眼睛、手表等可穿戴物品的two-stage adaptive weighted extreme learning machine（AWELM）的方法来检测和监控坠落。实验结果验证并证实了这个方法的高效性，并且展示出，首先，这种方法，通过两阶段识别计划，实现了高检测准确度和误检率之间的平衡；其次，通过两阶段自适应权重方法，使得对于稀少的异常行为数据的不平衡学习方法变得有效；第三，使用极值学习机，提出一种轻型的分类方法，处理可穿戴设备的资源限制，来加速训练和更好的泛化，这使得大范围的健康应用成为可能，特别是最终帮助老年人减少坠落事件的风险。

学习点：暂时没有吧，这篇应该不需要看。

7、A Depth Camera-based Human Activity Recognition via Deep Learning Recurrent Neural Network for Health and Social Care Services

Keywords:
Human Activity Recognition
Depth Imaging Sensor
Deep Learning
Recurrent Neural Network,
Health Care

由于技术所提供的对于病人或者居民的自动监控和行为理解，人类活动识别（HAR）在健康和社会保健领域已经是一个相对活跃的研究课题。基于HAR的深度摄像机，使用从人类深度轮廓，通过传统的分类器，比如Hidden Markov Model (HMM)，Conditional Random Fields等抽取的特征，识别人类活动。在这篇文章中，作者提出一种新的，使用了循环神经网络（RNN，深度学习算法的一种）的HAR系统。作者利用多个随时间变化的身体关节的关节角度，这些关节角度表示时空特征矩阵（即时间上的多个身体关节角度）。有了这些导出的特征，作者训练并测试了关于HAR的RNN模型。为了验证这个系统，作者将这个RNN模型与传统的HMM、深度信度网络（DBN）在Microsoft Research Cambridge-12（MSRC-12）数据集上进行了比较。测试结果显示，作者提出的RNN模型能够可靠地识别12中人类活动，并且比HMM和DBN的性能要好。平均识别性能达到了99.55%，比HMM多7.06%。比DBN多2.01%的准确度。

学习点：暂时没有吧，模型也不算很新。

8、Human Behavior Prediction for Smart Homes Using Deep Learning

关于智能家居行为预测的，没什么好看的。