18178

18178

تشخيص رفتار غيرعادي در نظارت ويديويي با به‌كارگيري شبكه‌هاي عصبي عميق

كارشناسي ارشد

هوش مصنوعي

ارديبهشت 1396

دكتر محمود فتحي - دكتر رضا برنگي

كامپيوتر

هدف از مسئله¬ي تشخيص رفتار غيرعادي، و يا به¬طور كلي مسئله¬ي تشخيص ناهنجاري، يافتن نمونه¬هايي در فضاي داده است كه با ساير نمونه¬هاي عادي و معمول، تفاوت داشته باشد. چنين نمونه¬هايي هرچند به ندرت اتفاق مي¬افتند، اما ممكن است شامل اطلاعات مهم و ارزشمندي باشند. مسئله¬ي تشخيص رفتار غيرعادي در حوزه¬هاي مختلفي مطرح مي¬شود كه يكي از آن¬ها، مسئله¬ي تشخيص افتادن انسان است. افتادنِ ناگهاني ممكن است به صدمات شديدي منجر شود، تاحدي كه حتي شخص قادر نباشد بدون كمك ديگران بلند شود و در معرض خطرات جدي قرار گيرد. اين مسئله در مورد افراد سالخورده و كم-توان اهميت ويژه¬اي پيدا مي¬كند. هدف از حل مسئله¬ي تشخيص افتادن انسان، ارائه¬ي سامانه¬اي است كه بتواند به¬خوبي فعاليت¬هاي عادي روزانه را از رويداد غيرعادي افتادن تفكيك نموده و در زمان لازم اعلام خطر نمايد. تاكنون روش¬هاي مختلفي براي حل اين مسئله ارائه شده است و درهريك حسگرهاي متفاوتي استفاده شده¬اند. در اين پژوهش از يك شبكه¬ي عصبي مصنوعي استفاده شده است كه با ويديوهايي از فعاليت¬هاي عادي روزانه و نمونه¬هايي از رويداد افتادن مورد آموزش قرار گرفته است. شبكه¬ي عصبي استفاده¬شده يك شبكه¬ي كانولوشنال سه¬بعدي است كه نوعي شبكه¬ي عصبي عميق مي¬باشد. اين شبكه با دريافت تكه¬ويديوهايي متشكل از چندين فريم متوالي، ويژگي¬هاي فضايي و زماني نمونه¬داده¬ها را به خوبي استخراج كرده و ياد مي¬گيرد. براي آموزش اين شبكه از دو مجموعه¬داده به نام¬هاي UR Fall Detection و SDU-Fall استفاده شده است. دقت نهايي شبكه برروي مجموعه¬داده¬ي SDU-Fall برابر 97.2% است كه از دقت ساير مطالعات انجام¬شده بر روي اين مجموعه¬داده بالاتر است.

1396/09/26

12/9/2017 12:00:00 AM

The Abnormal Detection or Anomaly Detection in general, is the problem of searching the data space to find different and unusual instances. These kind of instances happen rarely but may include valuable information. The problem of abnormal detection is used in various fields, such as Human Fall Detection or Fall Detection in short. An accidental fall may lead to serious damages, especially in the case of elderlies. Sometimes, fell person can’t standup again by himself and will be at the risk of long lying consequent injuries. The goal of a fall detector system is to distinguish well between a usual daily activity and an unwanted fall event, and sends alert when a fall happens. Various solutions are proposed for solving this problem, each using different types of sensors. In this study, an artificial neural network is used and trained with videos of daily activities and samples of fall events. The used artificial neural network is a 3D Convolutional neural network, which is kind of a deep neural network. This network receives video-patches and extracts both spatial and temporal features of the video samples. Two datasets are used, named UR Fall Detection and SDU-Fall. The final accuracy of the system on the SDU-Fall dataset is 97.2%, which outperforms the state-of-the art studies on this dataset.