تشخیص رفتار غیرعادی انسان با استفاده از ردیاب های سلسله مراتبی

ما روش نوینی را برای تشخیص رفتار غیر عادی انسان با استفاده از ردیاب های سلسله مراتبی معرفی می نماییم. ردیاب ها در سطوح پایین، بر روی دسته های وسیعی از اهداف، آموزش داده می شوند. در سطوح بالاتر، ردیاب ها بر روی اهداف مشخص تری متمرکز می شوند. به طور مثال در سطح ریشه، یک ردیاب مولفه ی همبند (Blob) می تواند هر شی ای را ردیابی نماید. در سطح دیگر، می تواند از اطلاعات شکل بدن انسان برای ردیابی بهتر افراد استفاده نماید. در سطح بالاتر، می تواند انواع خاصی از رفتارهای انسان نظیر راه رفتن، دویدن یا نشستن را ردیابی نماید. در سطح بالاتر دیگر، چندین ردیاب راه رفتن می تواند به منظور تشخیص راه رفتن مختص هر فرد خاص تنظیم شوند. بنابراین در هر سطح، یک یا تعداد بیشتری خانواده از ردیاب های خاص وجود دارد. تا زمانی که هدف، مطابق انتظار رفتار نماید یک عضو بالاتر این خانواده نسبت به ردیاب والدین خود در سطح پایین تر، بهتر می تواند با داده ها تطابق یابد. به طور معمول، یک ردیاب با اطلاعات بیشتر، عملکرد قوی تری دارد، اما در حالتی که رفتارهای غیر عادی فراتر از فرضیه های عادی موجود رخ می دهد قابلیت اطمینان این ردیاب ها از دست می رود. در چنین حالت هایی، یک ردیاب با اطلاعات کمتر، شانس بیشتری برای عملکرد بهتر دارد. روش ما به جای تلاش برای تشخیص رفتارهای غیر عادی با استفاده از مدل سازی مستقیم آنها، مسیر غیر مستقیم تشخیص آن ها را به عنوان انحرافی از مدل های رفتارهای عادی مورد بررسی قرار می دهد که روشی آسان تر می باشد. بررسی نحوه ی ارتباط و تعامل خروجی های ردیاب های سطوح مختلف، می تواند ما را در تشخیص رفتار غیر عادی انسان یاری دهد. نتایج آزمایشات مختلف انجام شده برای تشخیص رفتارهای غیر عادی نظیر زمین خوردن و هم چنین شناسایی فرد ناشناس، عملکرد مطلوب سیستم پیشنهادی را اثبات می نماید.

کلیدواژه ها:

تشخیص رفتار غیر عادی ، ردیاب سلسله مراتبی ، پردازش ویدئو ، تفسیر ویدئو