《Telecom》：TricP: A Novel Approach for Human Activity Recognition Using Tricky Predator Optimization Based on Inception and LSTM
Palak Girdhar,
Muslem Al-Saidi,
Prashant Johri,
Deepali Virmani,
Hussein Taha and
Oday Ali Hassen
人体活动识别（Human Activity Recognition，HAR）是自动监控、智慧家庭、安全、医疗保健和人类行为分析等应用中的关键研究领域。传统机器学习方法通常依赖人工特征工程，这会限制模型的泛化能力。尽管深度学习（Deep Learning，DL）通过自动表征学习提升了HAR性能，但在计算约束条件下实现高检测性能仍然具有挑战性。本文提出了一种将深度学习与混合优化相结合的高效HAR框架。首先，将监控视频分解为视频帧，并通过关键帧选择阶段识别具有代表性的帧，以在保留信息内容的同时减少冗余和计算成本。随后，分别利用光流方向直方图（Histogram of Oriented Optical Flow，HOOF）和ResNet-101模型提取运动特征与外观特征，并将其拼接为统一特征表示。分类阶段采用基于Inception的长短期记忆网络（Long Short-Term Memory，LSTM），即Incept-LSTM，并通过所提出的诡巧捕食者优化（Tricky Predator Optimization，TricP）在受限的低维参数向量上进行微调。TricP受捕食者偷猎行为和Latrans社会动力学启发，用于增强搜索过程中的探索（exploration）与开发（exploitation）能力。在UCF-Crime数据集上的实验表明，所提出方法达到了96.84%的特异性、92.16%的敏感性和93.62%的准确率。
该论文发表于《Telecom》，聚焦于视频监控场景下的人体活动识别（Human Activity Recognition，HAR）问题，尤其面向现实世界中长时序、未剪辑监控视频的异常行为检测任务。HAR作为计算机视觉与模式识别的重要分支，广泛应用于自动化安防、智慧居家、环境辅助生活（Ambient Assisted Living，AAL）、人机交互（Human–Computer Interaction，HCI）以及健康监测等场景。然而，在真实监控环境中，人体活动识别长期面临多方面困难：一是视频数据冗余度高，连续帧中存在大量重复信息，导致特征提取和分类开销较大；二是复杂场景下存在遮挡、光照变化、视角差异和背景干扰，影响活动表征质量；三是传统机器学习方法高度依赖人工设计特征，泛化能力有限；四是深度学习虽能自动学习判别性表征，但标准网络往往参数规模大、训练代价高，而且在复杂序列中仍面临时序依赖建模与优化效率之间的平衡问题。基于这些现实挑战，研究人员开展本研究，旨在构建一种兼顾识别精度与计算效率的监控视频HAR框架。
围绕这一目标，研究人员提出了一个由关键帧提取、互补特征融合、Incept-LSTM分类以及TricP混合优化共同构成的完整方法体系。该框架以UCF-Crime数据集为实验对象，先将视频分解为帧序列，再通过相邻帧欧氏距离度量选取具有显著差异的关键帧，以减少冗余信息和后续计算负担。在特征层面，方法同时利用光流方向直方图（Histogram of Oriented Optical Flow，HOOF，用于刻画运动模式）和ResNet-101深层特征（用于刻画外观语义），将运动信息与外观信息拼接形成统一特征表示。分类阶段采用基于Inception结构的长短期记忆网络（Incept-LSTM），以增强对多尺度空间特征与时间依赖关系的联合建模能力。与将元启发式算法直接用于全网络权重优化不同，该研究将所提出的诡巧捕食者优化（Tricky Predator Optimization，TricP）作为外层优化器，仅对最终分类层参数以及少量标量训练超参数进行微调，从而避免高维无梯度搜索导致的维数灾难。实验结果表明，该方法在UCF-Crime数据集上取得96.84%特异性、92.16%敏感性和93.62%准确率，在与EKVN、Stochastic-CNN、iSPLInception、DeepCNN-BiLSTM等方法的比较中表现最优，并在与相同架构下Adam优化版本的对照中获得统计显著提升。该研究的重要意义在于，为现实监控视频中的异常相关行为识别提供了一种兼顾多模态特征融合、时序建模和低维混合优化的新路径，特别是在特异性与敏感性等异常检测关键指标上展现出优势。
从技术方法上看，研究主要采用以下关键策略：首先，基于UCF-Crime样本队列开展实验，该数据集包含约128 h、1900段长视频，涵盖13类异常行为及正常行为；其次，以相邻帧像素强度欧氏距离实现关键帧选择，降低冗余；再次，利用HOOF提取运动方向分布特征，并采用预训练ResNet-101提取外观深特征，经降维与标准化后进行拼接；最后，以Incept-LSTM执行序列分类，并采用TricP对最终分类层权重、偏置及学习率、dropout率等低维参数子集进行外层微调。实验在MATLAB 24.1环境下，结合GPU批处理完成适应度评估，并采用准确率、敏感性、特异性及ROC进行综合评价。
以下结合论文主体结构，对研究结果进行归纳解读。
3.1. Proposed Methodology for Human Activity Recognition Using an Optimized Incept-LSTM Classifier
该部分给出了总体方法框架。研究人员将UCF-Crime监控视频作为输入，经过关键帧筛选后提取HOOF与ResNet-101两类特征，并将其拼接后输入Incept-LSTM分类器。由此得出的核心结论是，关键帧压缩与互补特征融合可以在降低计算量的同时保留活动识别所需的判别信息，而TricP作为外层优化器可进一步提升分类性能。
3.2. Data Set
该部分说明实验数据来源为UCF-Crime数据集。通过对长时序未剪辑监控视频的处理，研究人员建立了适用于异常行为识别的测试环境。结论在于，该数据集规模大、场景复杂，能够较好验证方法在现实监控任务中的适用性。
3.3. Extraction of Distinctive Video Frames from the Dataset
这一部分通过相邻帧欧氏距离计算来选择关键帧。研究表明，利用连续帧之间的像素差异可以有效检测具有代表性的帧集合，使关键帧数量显著小于原始总帧数。所得结论是，关键帧机制有助于消除时间冗余、降低后续特征提取和分类复杂度。
3.4. Feature Extraction
该部分围绕两类特征展开。其一，HOOF通过统计光流方向并以幅值加权，提取视频中的运动模式；其二，ResNet-101基于残差连接获得深层外观表示。研究人员进一步将两类特征进行归一化与拼接，并对ResNet-101输出通过全连接投影层进行降维。由此可见，该方法通过融合运动线索与外观线索形成统一表示，从而增强了对复杂活动的判别能力。
3.4.1. Histogram of Optical Flow (HOOF)
该小节说明HOOF以相邻帧光流向量的方向与幅值构建直方图，用于描述局部和整体运动趋势。结论是，HOOF能够为HAR提供有效的动态信息表征。
3.4.2. ResNet-101
该小节介绍ResNet-101利用残差块（residual block）和跳跃连接（skip connection）提取深层语义特征。研究结论是，ResNet-101能够稳定地产生丰富的外观表示，为监控场景下的人体活动分析提供有力支撑。
3.4.3. Feature Concatenation
该小节显示，研究人员将HOOF特征与ResNet-101特征拼接为联合向量，并进行标准化处理以防止某一类特征主导分类器。结论是，特征级融合实现了运动与外观信息的互补集成。
3.5. Human Action Recognition System
这一部分给出了Incept-LSTM与TricP协同工作的识别系统。研究人员指出，主体网络参数通过梯度法学习，而TricP仅优化最终分类层和少量超参数，从而规避全网络元启发式搜索的高成本。结论在于，这种混合训练策略兼顾了深度模型表达能力与优化可行性。
Inception LSTM
该小节重点描述Incept-LSTM结构，即在LSTM各门控中引入不同卷积核尺度
1 ×
1、
3 ×
3、
5 ×
5的Inception式卷积操作。研究结果表明，该结构能在时序建模过程中融入多尺度空间特征，对视频活动识别更为有利。
4. TricP: Proposed Tricky Predator—An Optimization Algorithm
该章节提出TricP算法。研究人员将捕食者偷猎行为与Latrans社会行为结合，构建兼顾探索与开发的群体优化机制。论文结论是，该算法适合在受限低维参数空间中对深度模型进行外层微调。
4.1. Proposed Tricky Predator Optimization Algorithm
这一部分给出行为启发来源，包括群体捕猎、领地继承、迁移以及社会等级规则。研究结果表明，引入捕食、迁移、繁殖和信息共享机制有助于维持种群多样性并提升搜索质量。
4.2. Mathematical Modeling
该部分完成算法数学建模，包括参数编码、种群表示和目标函数设计。研究人员将待优化变量限定为最终分类层参数及学习率、dropout率，定义适应度函数为准确率、敏感性、特异性的均值。结论是，低维编码策略既保留了优化效果，又降低了计算负担。
4.3. Exploration Phase
本节通过种群向当前最优个体移动的方式实现全局搜索。所得结论是，探索阶段帮助算法跳出局部区域，在更广搜索空间中寻找更优候选解。
4.4. Exploitation Phase
该部分模拟捕食者在栖息地内围捕猎物的过程，并通过随机机制控制局部移动模式。结论是，开发阶段有利于围绕高质量区域进行精细搜索。
4.5. Latrans Social Update and Combined Rule
本节将领导者位置与文化趋势融入坐标更新，并与捕食者更新规则组合。研究结果表明，这一联合更新机制能够在多样性保持和局部收敛之间实现平衡。
4.6. Breeding and Leaving (Population Maintenance)
这一部分引入弱个体淘汰、游牧个体替换及头部个体繁殖机制。结论是，种群维护策略增强了算法稳健性，并有助于持续改进最优解。
5. Experimentation and Results
实验部分系统评估了方法性能。研究人员在UCF-Crime数据集上采用准确率、敏感性和特异性作为指标，并与多个基线方法进行对比。结果表明，所提方法在主要指标上均优于对照方法。
5.1. Experimental Setup
该部分说明实验环境、评价指标与比较方法。结论是，所选对照涵盖多种现有HAR方案，能够较充分验证TricP-based Incept-LSTM的有效性。
5.2. Implementation Details
这一部分强调TricP采用固定种群规模N = 20获得表格中的主要结果，并说明其优化的是低维参数向量而非全网络权重。结论在于，虽然引入了种群搜索，训练开销仍保持在可控范围内，且推理阶段效率不受影响。
5.3. Experimental Parameters
本节考察了种群规模与训练数据比例对性能的影响。结果显示，随着训练比例增加，特异性、敏感性和准确率均提升；在测试范围内，较大的种群规模通常带来更好的性能。固定配置下，方法最高达到96.84%特异性、92.16%敏感性和93.62%准确率，表明TricP有助于改善分类器性能。
6.1. Interpretation Based on Training Data Percentage
该部分比较不同训练数据比例下的方法表现。结果显示，在70%训练比例时，所提方法特异性达到95.56%，敏感性达到90.45%；在60%训练比例时，准确率达到91.69%，均优于多种基线。由此说明，该方法在不同训练资源条件下均保持稳定优势。
6.2. Interpretation Based on K-Fold
本节从交叉验证角度进行比较。结果表明，在K-Fold = 7时，方法在特异性和敏感性上相较基线均有提升；在K-Fold = 8时，准确率也明显更高。这说明该方法具有较好的交叉验证稳定性与泛化表现。
6.3. Interpretation Based on ROC
该部分利用受试者工作特征（Receiver Operating Characteristic，ROC）曲线评估判别能力。结果显示，在给定假阳性率条件下，TricP-based Incept-LSTM获得更高的真阳性率，表明其整体ROC表现强于比较方法。
6.4. Comparative Discussion
综合比较显示，所提方法的最佳特异性、敏感性和准确率分别为96.84%、92.16%和93.62%。相对于EKVN、Stochastic-CNN、iSPLInception和DeepCNN-BiLSTM，论文报告了持续性能增益。与相同Incept-LSTM架构的Adam优化版本相比，TricP在某些设置下带来幅度适中但一致的提升，例如在K-Fold = 10时准确率由92.26%提升至93.17%，并且在特异性和敏感性上改进更为明显。多次独立运行的统计验证进一步表明，TricP的标准差低于Adam，且配对t检验得到p = 0.0036，说明改进具有统计显著性。该部分的核心结论是，TricP不仅提升了异常相关指标，也增强了优化稳定性。
讨论部分主要围绕性能来源、代价权衡与方法稳健性展开。研究人员认为，方法性能提升来源于三个层面的协同：关键帧选择减少冗余输入，HOOF与ResNet-101互补融合提升表征质量，Inception多尺度建模与LSTM时序建模强化了活动识别能力，而TricP在低维参数空间中的群体搜索进一步改善了泛化相关指标。论文同时强调，TricP的优势不应仅以整体准确率衡量，更应体现在特异性与敏感性等异常识别关键度量上的平衡提升。尽管该方法比轻量级基线具有更高训练开销，但这种额外成本主要发生在训练阶段，对部署时的推理效率没有影响。此外，由于TricP仅作用于受限参数子空间，因此训练负担仍处于可接受范围。整体而言，论文讨论部分将该方法定位为一种面向复杂监控视频场景、强调稳健性与泛化能力的混合优化HAR方案。
结论部分可译为：本研究提出了一种基于Incept-LSTM分类器和混合优化策略的高效人体活动识别（HAR）框架。通过融合捕食者觅食过程中的狩猎行为与Latrans的信息共享社会行为，构建了新的诡巧捕食者优化算法（TricP）。在该框架中，TricP作为外层优化器，仅对受限的低维参数子集进行微调，而非对整个深度网络权重空间进行优化，从而在避免高维种群优化维数灾难的同时支持有效搜索。研究以UCF-Crime监控视频为输入，通过基于距离度量的关键帧选择识别代表性帧，并从中提取光流方向直方图（HOOF）和ResNet-101特征，随后进行拼接形成判别性表示，并输入Incept-LSTM分类器。实验结果表明，所提方法在UCF-Crime数据集上获得了96.84%的特异性、92.16%的敏感性和93.62%的准确率。这说明，关键帧选择、互补特征提取和混合优化的结合能够在保持实际推理效率的同时提升异常相关性能指标。论文同时指出，该方法的局限性在于训练成本高于轻量级基线；未来工作将扩展到更多应用领域和基准数据集，并进一步研究轻量骨干网络、压缩表示、更高效的时序建模以及与3D CNN和Transformer类最新视频架构的比较。
