基于时间注意力增强的电厂智能安防监控人体异常行为识别-AET-电子技术应用

基于时间注意力增强的电厂智能安防监控人体异常行为识别

电子技术应用

张威，许虎，尚志强

河北大唐国际张家口热电有限责任公司

摘要： 电厂厂区内强光切换或阴影交错会影响特征点稳定性，使得高帧率视频流处理时时序信息断裂，难以获取连续视频帧中人体特征点的变化方向，导致行为识别的EER均值较高。为此，开展了基于时间注意力增强的电厂智能安防监控人体异常行为识别研究。引入时间注意力增强模块，对监控视频进行短距离和长距离时间特征增强，融合后输出跨越多个视频分段的联合特征，以关联分割的视频帧信息。利用距离-转角表示法计算连续视频帧中人体特征点的变化方向，根据方向关系识别异常行为。在测试数据集上，设计方法输出跨越多个视频分段的人体特征信息。其异常行为识别的AUC达到0.92，EER均值稳定在0.15以内，处于较低水平。

关键词： 时间注意力增强安防监控人体异常行为短距离时间特征增强长距离时间特征增强

中图分类号：TN60 文献标志码：A DOI: 10.16157/j.issn.0258-7998.257046
中文引用格式： 张威，许虎，尚志强. 基于时间注意力增强的电厂智能安防监控人体异常行为识别[J]. 电子技术应用，2026，52(4)：78-82.
英文引用格式： Zhang Wei，Xu Hu，Shang Zhiqiang. Recognition of abnormal human behavior in intelligent security monitoring of power plants based on time attention enhancement[J]. Application of Electronic Technique，2026，52(4)：78-82.

Recognition of abnormal human behavior in intelligent security monitoring of power plants based on time attention enhancement

Zhang Wei，Xu Hu，Shang Zhiqiang

Hebei International Zhangjiakou Thermal Power Co.，Ltd.

Abstract： The switching of strong light or the interweaving of shadows within the power plant area can affect the stability of feature points, causing the temporal information to break during the processing of high frame rate video streams. It is difficult to obtain the change direction of human feature points in continuous video frames, resulting in a relatively high average EER for behavior recognition. For this purpose, research on the recognition of abnormal human behaviors in intelligent security monitoring of power plants based on temporal attention enhancement has been carried out. The temporal attention enhancement module is introduced to enhance the short-distance and long-distance temporal features of surveillance videos. After fusion, a joint feature spanning multiple video segments is output to correlate the information of the segmented video frames. The distance-rotation angle representation method is used to calculate the change direction of human feature points in consecutive video frames, and abnormal behaviors are identified based on the direction relationship. On the test dataset, the design method outputs human feature information spanning multiple video segments. The AUC for its abnormal behavior recognition reached 0.92, and the mean EER was stable within 0.15, which was at a relatively low level.

Key words : time attention enhancement；security monitoring；abnormal human behavior；short distance temporal feature enhancement；long distance temporal feature enhancement；distance corner representation method；feature points

引言

利用监控视频对人体异常行为进行识别时，部分监控设备由于硬件限制或安装位置较远[1]，拍摄的视频分辨率较低，导致人体行为细节难以清晰呈现，影响行为特征的提取和识别。其次，监控摄像头可能因受到外力干扰、设备老化或拍摄环境不稳定等因素[2]，出现画面模糊或抖动的情况。这会使视频中的人体轮廓和行为轨迹不清晰，增加行为识别的难度。例如，户外监控中强风可能导致摄像头晃动，画面不稳定[3]。除此之外，监控视频中正常行为占主导，异常行为发生频率较低。这需要从海量正常行为数据中筛选少量异常行为，增加了数据处理难度和误判风险[4]。

在相关研究中，张冰冰等人针对小样本视频行为识别方法在全局时空信息获取和复杂行为建模方面的局限，开展了基于连续帧信息融合建模的研究[5]，在2D卷积架构下，设计连续帧信息融合模块位于网络的输入端，以负责捕获并转化低级信息，输出了更加丰富的高级语义信息。将多维注意力建模模块作为网络的中间层，进而解决时空特征信息建模不足的问题，利用模型捕捉具体的时空关系的捕捉。实验结果表明，所提方法在多个主流数据集上准确率显著提升，但2D卷积架构在视频帧分割状态下EER较低。古学茹等人针对当前人体骨骼动作识别算法全局关系描述不够详尽、时空特征挖掘不够充分等问题，开展了基于多流自适应时空图卷积网络的人体行为识别研究[6]，使用注意力机制和NTN算法求解每对关节点之间的连接强度后，构建了全局邻接矩阵；利用topK策略对连接强度标准下动态选择前K个邻居节点，更新全局邻接矩阵；采用混合池化模型提取全局上下文信息及时间关键帧特征，并进行建模，输出动作表征。实验结果表明，该模型在人体骨骼动作识别任务中有效提高了动作识别的准确率。但是EER的离散程度受时间关键帧特征的影响较为明显。赵晨等人针对时间位移导致的特征破坏问题，开展了基于时空双流特征增强网络的视频行为识别研究[7]，设计了空间增强时间位移模块（SE-TSM）和通道增强时间位移模块（CE-TSM），在每次时间位移后进行特征增强，改善了特征受损问题。并针对帧差运动信息微弱问题，提出了运动增强模块（SIM）增强运动特征以提高性能。实验结果表明，该网络在公开视频数据集UCF101和HMDB51上分别达到了96.1%和75.7%的精度。但是时间关键帧特征分割状态下的异常行为识别EER较低。李一帆等人开展了面向人体异常行为识别的FDS-ABPG-GoogLeNet模型研究[8]，设计模型采用3种不同层级的改进Inception模块，将模块在网络深层和浅层结构中并行连接时，在中层结构中引入了残差结构，通过特征融合的方式提高网络的计算效率和识别准确率。针对异常行为数据集中动作单一的问题，自建了包含多种异常动作的数据集，将一维动作时序数据二维图形化处理后，实现精准提取行为动作特征的目的。实验结果表明，设计模型的准确率、灵敏度和特异性分别达到99.40%、99.49%和99.93%。但是EER受时间关键帧特征的影响较为明显。

综合上述，本文开展了基于时间注意力增强的电厂智能安防监控人体异常行为识别研究，并进行了对比测试。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007042

作者信息：

张威，许虎，尚志强

（河北大唐国际张家口热电有限责任公司，河北张家口 075000）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容