《表2 不同算法的人群异常行为识别准确率》
为验证本文算法的优越性,选用支持向量机[21]、K近邻分类(KNN)、随机森林[22],以及普通C3D模型这4种方法对同一实验视频数据进行分类识别,识别准确率和所耗时间分别如表2和表3所示。由表2和表3的结果可知,基于同一样本数据集,该算法不仅识别异常情况的准确率比同类型的其他3种方法明显提升,对同一类异常行为的识别准确度均高于其他3种方法,且都达到90%以上,具有较好的鲁棒性;此外与普通C3D模型相比,无论是准确率还是识别单个样本帧所耗时间都有提升。
图表编号 | XD00161937000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.18 |
作者 | 彭月平、蒋镕圻、徐蕾 |
绘制单位 | 武警工程大学信息工程学院、武警工程大学信息工程学院、武警工程大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |