第三章 基于自组织映射网络的行为分析

第三章基于自组织映射网络的行为分析本章主要介绍基于自组织映射神经网络的运动目标行为分析，首先简要介绍运动目标行为分析的基本知识，然后对自组织映射网络的相关知识镜像简要介绍，最后研究讨论了基于自映射网络的运动目标行为表示方法的基础上，提出了一种使用预测信息的表示方法，从而解决如何建立运动目标前后运动之间的相关性这一问题提供了一条新的途径。3.1引言通过运动目标检测可以得到运动目标本身的图像特征，通过运动目标跟踪，可以得到运动目标在序列图像中的2—D坐标位置——运动目标的轨迹，进而可以得到目标的其他运动特征如速度、加速度。将目标的运动特征与其本身的一些特征相结合，就可以表示运动目标的行为，从而为运动目标的行为分析提供了数据来源。所谓运动目标的行为分析，就是研究如何根据目标已有的图像信息、运动信息来解释、描述其运动行为，分析判断该行为在当前监控场景中是否异常，甚至预测其将来的运动趋势，从而使监控系统具有智能决策的能力，进而提高系统的智能性。其研究内容包括运动目标行为的表示、运动目标行为模型的建立和如何使用行为模型进行行为监控三方面。其中运动目标的行为表示和行为模型酌建立是行为监控的基础，以下将对这两方面的工作进行详细的介绍。（1）运动目标的行为表征这方面的研究主要是解决运动目标的行为表示，即使用运动目标的哪些特征能够较全面地表示出运动且标的行为，包括对目标即时运动行为的表示和整体运动行为的表示。文献【4,39,37】首先使用一个流向量(Flowvcdor），通常由运动目标的位置、速度信息联合组成)来表示运动目标的即时行为，然后使用序列流向量表示运动目标的整体行为；但是文献【47】在流向量的表示上添加了加速度、曲率等运动特征；文献【4】在对运动目标整体行为表示时，增加了运动目标的大小这一目标本身的特征。这些改进都使得对目标行为的表示更加准确。文献【3】并不考虑运动目标整体行为的表示，而是在流向量的表示上除了使用目标的运动特征(位置、速度，加速度)外，增加了时间平滑硬，以此来体现目标前后运动之间相关性。(2)运动目标行为模型的建立这方面的研究主要是考虑通过哪种方法来建立监控场景中运动目标的行为模型，即如何能够从目标的同类行为样本中提取其区jj!l于其他类行为的共同点，解决这一问题的方法主要有两类：统计分析和机器学习的方法。这两类方法的区别在于：大多数的统计分析技术都是基于完善的数学推理和高超的技巧，对样本模式挖掘的准确度是令人满意的，但是对使用者及样本的要求比较高；机器学习方法是对统计分析理论的延伸、扩展，它利用人工智能和统计分析的数据处理能力，通过某种方法使系统的性能随着经验的增加而增加，其推理规则相对简单，从而降低了对使用者及样本的要求，是一种很好的行为模型获取方法。而目前行为分析方法研究的主流思想就是如何通过各种机器学习方法，如神经网络、贝叶斯网络和决策树等，建立运动目标的行为模型，进而能够根据学习好的行为模型进行场景分析。目前已有的使用机器学习方法构建运动目标行为模型的研究主要有以下两种方法：一是研究如何只使用常见的正常样本或是在只有少量异常(罕见)行为的训练样本情况下来构建某一监控场景中运动目标的行为模型。这种方法首先选择某一固定场景(如机场、地铁等)，然后使用大量的训练样本学习该场景中运动目标的行为模型。文献【42】就是进行这方面研究的，即建立某一固定场景中正常行为的行为模式，然后通过将监控场景中的行为与正常行为模式比较来判断该行为异常与否。二是在已知监控场景中静止物体分布的先验知识的情况下，研究如何分析判断监控场景中运动目标与运动目标及运动目标与场景中静止物体的交互行为。这方面的研究首先根据已知的场景中静态物体的分布情况，得出一些对运动目标行为的约束，也就是说要求预先定义好监控场景中所有的行为模式，然后通过机器学习方法得到精确的行为模式，最后通过将运动目标实际的行为与学习好的行为模式比对来分析判断运动目标的行为。文献【44】就是进行了相关的研究。此外还有一些研究方法，这种方法通过分析已有的大量训练样本，确定场景的相关知识，(主要是道路的分布情况)，建立场景模型，然后通过场景模型来建立运动目标的行为约束，从而在此基础上完成对运动目标行为的识别【45】【46】。比较上述方法，第一种方法要求大量的训练样本(通常为正常行为样本)，但是对监控场景的先验知识要求较少。其他的研究方法都是在研究场景中静止物体分布的基础上进行行为分析的，因此易受监控场景的约束。本文主要是针对第一类方法所解决的问题，提出采用自组织映射神经网络实现运动目标的行为分析。人工神经网络(ANN)是一种普遍实用的学习方法，对训练数据的错误健壮性很好【41】。它是由大量的处理单元通过适当的方式连接起来丽形成的网络，是对人脑的抽象、简化和模拟，反映了人脑学习推理的基本特征。自组织映射神经网络是一种无导师学习神经网络，具有特征映射的能力，能够实现：对输入空间的近似；密度匹配，特征映射反映了输入分布的统计特征的变化，在输入空间中那些以高概率产生的区域在输出空间中被映射到大的区域；特征选择，对于来自非线性分布的输入空间的数据，自组织映射可以选择最好的特征集合来近似潜在的分布，也就是说自组织映射的特征映射能够提取非线性数据内在特征。从上述对自组织映射网络的功能描述中，可以看出自组织映射的特征映射功能在一定意义上是很适合用于建立运动目标的行为模型，进行行为分析的。下面将对自组织映射网络的网络结构、学习算法进行详细的介绍。3．2自组织映射神经网络自组织映射网络是一种竞争神经网络。竞争神经网络是一种通过输出神经元的竞争确定获胜神经元，然后由这个获胜神经元指明哪种原型模式最能代表当前输入的人工神经网络形式，它采用的是一种无导师学习的学习方式，其目的就是在没有导师指导的情况下寻找输入数据空间的模式或特征，其网络结构与学习方法更接近于生物神经系统。自组织映射网络是一种通过引入变化邻域这一概念来模拟生物神经网络中的侧抑制现象的竞争神经网络。它采用胜者为王的竞争机制，不仅加强获胜神经元自身，而且加强其邻近的神经元，同时抑银|距离获胜神经元较远的神经元(图3—1加强．抑制图)，最终在无导师指导的情况下寻找输入数据空间中的重要的模式或特征。3.2.1网络结构Kohonen提出的自组织映射网络是一种有效的聚类方法，在对外部输入信息形成拓扑映射的过程中，具有和人脑的信息映射相类似的特点，在矢量量化和模式识别中得到了广泛的应用。它是一个由输入层和输出层组成的两层神经网络；输入节点和输出神经元之间通过权向量互联；以“强者占先，弱者退出”的方式学习。从网络结构上讲，I量组织映射网络的最大特点是其输出神经元可以放置在一维、二维或更高维的网格节点上，如图3—2【43】。假设自组织映射网络的输入神经元的个数为Ⅳ，输出神经元的个数为M。任意一个输入神经元j，通过权值wij与输入神经元i连接)1,j1MiN（,那么输出神经元i对应的权向量为wi，wi=[i1w，i2w.....ijw.....Niw]。给定输入向量X=[Njxxxx............21，，，]，那么输出神经元i的输出应该为该为iy=f(Njjijxw1)，其中f表示激励函数。3.2.2自组织映射学习算法自组织映射的学习算法属于无导师学习，其学习算法步骤如下：第一步：将自组织映射网络的权值用小的随机数进行初始化，得到权值矩W={ijw｜)1,j1MiN（}。设置初始学习率η，及输出神经元i的拓扑邻域iN(i=1,2,....,M)。迭代次数为K，迭代总次数为K。第二步：读入训练样本X=[Nxxx,......,21]，对权值矩阵和输入向量作归一化处理)()(;''kwkwwXXxiii（3-1）其中NjijNjijkwkwxX1212)()(，选取获胜神经元c，从而实现输出神经元的竞争过程，获胜神经元满足：MiwXwXiic,......2,1''min''，,其中''iwX表示X’。到输出神经元i的欧式距离。(当第一次执行该步时，k=0)第三步：更新相关的参数。对获胜的输出神经元c及其拓扑邻域M内的兴奋神经元的权值进行更新：))(''()(')1('*kwXkwkwiii;更新学习率，η和获胜神经元的拓扑邻域cN。第四步：检验网络是否达到稳定。如果稳定，则结束学习过程，否则返回第二步进行迭代。常用的稳定条件有：(1)是否达到预定的迭代次数(2)最大的权值更新量是否小于一个预先给定的很小的数。学习率和拓扑邻域cN是随着迭代次数的增加而减小的，这是因为随着迭代次数的增加，获胜神经元的权向量越来越接近样本的真实特征模式。在对白组织映射网络的结构和学习算法进行了介绍之后，以下将详细地论述基于自组织映射网络分析运动目标的行为的方法：通过学习大量的正常样本训练自组织映射网络，建立相应的行为模型，然后通过将要监控的行为与学习好的行为模式比对来判断该行为异常与否。3.3基于自组织映射神经网络的行为分析方法使用自组织映射网络进行运动目标的行为分析，实际上相当于将一个测试时间序列与预先标定的代表典型行为的参考序列匹配的问题【5】。在这一匹配过程中需要考虑以下三个问题：运动目标的行为表示，即如何才能有效全面的表达出目标的运动信息，从而为运动目标行为的分析判断提供可靠的数据；神经网络的结构，即确定使用怎样的神经网络结构才能较好地学习运动目标的行为模式(参考行为)；如何使用学习好的行为模式进行测试行为的监视，即采用什么标准来判断运动目标的行为异常与否。Johnson．N【39】等早在1996年就提出了一种使用两层竞争神经网络学习运动轨迹分布的方法：第一层竞争神经网络用来学习流向量的分布模式；而第二层竞争网络用来学习轨迹的分布模式，一个输出神经元对应一类轨迹；两层竞争神经网络通过Leaky神经元连接起来。这种方法将一条完整轨迹的流向量逐个输入到第一层竞争神经网络中，从而在第一层竞争神经网络的输出中得到一个与流向量顺序对应的流向量模式序列，再经过第二层神经网络的学习，最终得到了整个轨迹的模式。通过分析我们注意到Johnson．N的方法存在以下问题：首先，Leaky神经元层神经元的数量是相当大的，因为它不仅要记录每个流向量激活的神经元，还有记录运动目标轨迹上各个点的顺序；其次这种方法的学习时间是很长的，尤其是第二层神经网络，其学习时间远远大于第一层神经网络的学习时间，而且该方法没有把轨迹特征完整的表示出来【6】。但是这一方法，对于以后的基于自组织映射网络的行为分析方法有很大的指导作用。例如文献【6】、【40】就是在研究了Johnson．N的神经网络结构(图3-3)的基础上提出了新的结构简单、易于理解的用于行为分析的一层自组织映射神经网络。图3-3文献【39】中用于学习目标行为的神经网络的结构((x，y)表示运动目标的位置，（yxdd,）表示运动目标的速度)近年来对使用自组织映射网络进行行为分析的研究大致有两种途径：一种是文献【4】、【6】和【7】提出的学习运动目标整条轨迹模式的方法，通过检验监控运动目标的行为是否与这些行为原型相近来分析判断其行为异常与否；另一种就是【3】提出的学习运动目标的流向量模式的行为分析方法，首先通过学习运动目标正常行为的流向量建立相应的流向量原型，然后通过计算运动目标行为中流向量与流向量原型的距离来判断该流向量异常与否，最后通过检验异常流向量的数量来决定运动目标整个运动过程异常与否。以下分别对这上述两种行为分析途径进行阐述，分析其优缺点，并在研究已有运动目标行为表示方法的基础上，提出了使用预测信息的行为表示方法。3.3.1学习轨迹模式的行为分析文献【4】在学习运动目标的整个轨迹分布时使甩了结构相对于文献【39】比较简单的神经网络结构。这种方法只使用一层自组织映射网络，将运动目标的整个行为作为输入，直接学习整个轨迹的分布模式，而不是像文献【39】那样先学习流向量的分布，再通过流向量的模式构造整个轨迹的分布模式。以下将针对行为分析过程中的三个问题进行论述。—．运动目标行为的