MU-Net-optLSTM：用于自动监控拥挤艺术博物馆的双流时空特征提取与分类架构

网络摄像头不断捕捉视频数据，产生了对能够实时处理直播视频的混合边缘到云服务器的高需求。艺术博物馆的环境很少受到研究，但视觉分析是通过智能监控系统对个体和人群进行分类和区分的重要因素。本文展示了如何使用创新的深度学习框架分析艺术博物馆的视频监控数据，以识别异常行为。为了增强提取的特征，应用了基于U-Net架构的空间特征提取方法，以及所提方法的编码器组件MobileNetV2。此外，我们提出了一种改进的长短期记忆（LSTM）算法用于提取时间特征。光流通过跟踪个体和人群来增强艺术博物馆的监控效果。我们的方法在应用于一组视频数据集时，平均准确率为97.67±1.23%。利用U-Net、MobileNetV2和优化的LSTM算法，该模型能够识别视频数据中的模式，如博物馆中的人群运动。因此，该方法既产生可靠的结果，又具有计算效率。与现有最先进的技术相比，所提方法在分析非典型博物馆访客行为方面更为全面且具有更好的推广性。