一种监控暴力行为检测方法、系统、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种监控暴力行为检测方法、系统、装置及可读存储介质，属于计算机视觉技术领域，包括以下步骤：步骤1、构建暴力行为视频数据集；步骤2、构建三维卷积神经网络，提取暴力行为视频数据特征；步骤3、使用多层感知机对特征数据分类；该监控暴力行为检测方法、系统、装置及可读存储介质，替代费时费力的人工检测方法，采用结合了3D卷积的密集连接网络，对暴力行为视频数据进行特征提取，并使用多层感知机算法对网络提取的暴力行为视频数据中的特征进行分类；通过3D卷积核替换密集连接网络中的2D卷积核，使得卷积神经网络具备提取视频特征的功能；通过算法对暴力行为视频分类，使用计算机对摄像头拍摄的视频内容进行分析，能够节省人力，预防暴力事件的发生。预防暴力事件的发生。预防暴力事件的发生。

【技术实现步骤摘要】
一种监控暴力行为检测方法、系统、装置及可读存储介质


[0001]本专利技术属于计算机视觉
，具体涉及监控暴力行为检测方法、系统、装置及可读存储介质。

技术介绍

[0002]随着神经网络算法的发展和计算机性能的提升，神经网络算法已经在各领域拥有了广泛的应用；监控摄像头已经深入到了城市的各个角落，遏制了社会上的寻衅滋事行为，维护了社会的安全，但是如何快速、省时的对监控摄像头暴力行为进行检测，现有的监控摄像头数据量巨大，通过人工的方法是不可能完成的任务，因些，需要研发一种监控暴力行为检测方法来解决现有的问题。

技术实现思路

[0003]本专利技术的目的在于提供一种，以解决监控摄像头暴力行为检测效率低的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种监控暴力行为检测方法，包括以下步骤：
[0005]步骤1、构建暴力行为视频数据集；
[0006]步骤2、构建三维卷积神经网络，提取暴力行为视频数据特征；
[0007]步骤3、使用多层感知机对特征数据分类。
[0008]优选的，所述构建三维卷积神经网络的方法为密集连接和3D卷积。
[0009]优选的，所述密集连接和3D卷积的构建包括以下步骤：
[0010]步骤21，将网络中每个卷积层连接构建密集连接网络；修改密集连接网络的卷积核，使用3D卷积的卷积核替代密集连接网络中的所有2D卷积核；
[0011]步骤22，通过步骤1中所构建的数据集对神经网络进行训练，使得三维卷积神经网络能够提取图片特征。
[0012]所述3D卷积的卷积核替代密集连接网络中的所有2D卷积核的方法包括：使用3D卷积核将2D卷积核推广到三维，对于第i层3D卷积层的第j层Feature Map中(xyz)坐标中的值的计算公式如公式1所示：
[0013][0014]其中，x,y,z为输入采样点，是当前3D卷积核所在的第k层Feature Map中(p.q,r)坐标中的值，g(
·
)为激活函数，b
ij
为bias，m为第(i
‑
1)层Feature Map索引的集合，P
i
与Q
i
为卷积核的长和宽，Q
i
是时序方向卷积核的大小；p,q,r分别为输入采样点x,y,z周边按卷积定义得到的采样点，ω为采样点权重。
[0015]优选的，所述构建暴力行为视频数据集包括收集网络数据集、监控视频调取，剪辑收集视频的暴力行为片段。
[0016]优选的，骤3中，使用训练的网络输出结果对多层感知机进行训练，使其具备分类功能，其中，所述多层感知机使用的分类方式为二分类。
[0017]优选的，所述3D卷积包括6个1
×1×
1三维卷积核和3
×3×
3三维卷积核的密集连接层1、1个1
×1×
1三维卷积核和3
×3×
3三维平均池化的转换层1、12个1
×1×
1三维卷积核和3
×3×
3三维卷积核的密集连接层2、1个1
×1×
1三维卷积核和3
×3×
3三维平均池化的转换层2、24个1
×1×
1三维卷积核和3
×3×
3三维卷积核的密集连接层3、1个2
×7×
7三维全局最大池化的转换层3、全连接层；其中
[0018]在转换层3后，激活函数如公式2所示；其中，n为输入数据的维度，e
i
为维度i的输入值，S
i
为维度i的输出概率；
[0019][0020]将激活函数的输出结果送入多层感知机分类处理。
[0021]本专利技术另提供一种监控暴力行为检测系统，所述系统包括：
[0022]暴力行为视频数据集构建模块，用于构建暴力行为视频数据集；
[0023]构建三维卷积神经网络构建模块，用于构建三维卷积神经网络；
[0024]数据特征提取模块，用于提取暴力行为视频数据特征；
[0025]数据分类模块，用于使用多层感知机对特征数据分类；
[0026]密集连接和3D卷积构建模块，用于将网络中每个卷积层连接构建密集连接网络；修改密集连接网络的卷积核，使用3D卷积的卷积核替代密集连接网络中的所有2D卷积核；并通过Hockey Fights数据集、VIolent
‑
Flows数据集对神经网络进行训练，提取图片特征。
[0027]本专利技术另提供一种监控暴力行为检测装置，包括：
[0028]存储器，用于存储非暂时性计算机可读指令；以及
[0029]处理器，用于运行所述计算机可读指令，使得所述计算机可读指令被所述处理器执行时实现所述的监控暴力行为检测方法。
[0030]本专利技术另提供一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行所述的监控暴力行为检测方法。
[0031]本专利技术的技术效果和优点：该监控暴力行为检测方法、系统、装置及可读存储介质，替代费时费力的人工检测方法，采用结合了3D卷积的密集连接网络，对暴力行为视频数据进行特征提取，并使用多层感知机算法对网络提取的暴力行为视频数据中的特征进行分类；
[0032]通过3D卷积核替换密集连接网络中的2D卷积核，使得卷积神经网络具备提取视频特征的功能；
[0033]通过算法对暴力行为视频分类，使用计算机对摄像头拍摄的视频内容进行分析，能够节省人力，降低人力成本，预防暴力事件的发生。
附图说明
[0034]图1为本专利技术的流程图；
[0035]图2为本专利技术密集连接和3D卷积的构建的流程图；
[0036]图3为本专利技术的框架流程模块图；
[0037]图4为本专利技术密集连接层结构图；
[0038]图5为本专利技术3D卷积示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]本专利技术提供了如图1、图3中所示的一种监控暴力行为检测方法,具体包括以下步骤：
[0041]步骤1，构建暴力行为视频数据集，本实施例中，通过各种形式收集监控暴力行为的视频：包括网络数据集，实际监控视频调取等形式，并且对收集来的视频将暴力行为片段进行剪辑；
[0042]步骤2，通过密集连接与3D卷积的方法，构建改进的CNN，对暴力行为视频数据进行特征提取；本实施例中，CNN为卷积神经网络；
[0043]在对暴力行为视频数据进行特征提取中，具体包括以下步骤：如图2所示，
[0044]步骤21，密集连接网络构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监控暴力行为检测方法，其特征在于：包括以下步骤：步骤1、构建暴力行为视频数据集；步骤2、构建三维卷积神经网络，提取暴力行为视频数据特征；步骤3、使用多层感知机对特征数据分类。2.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：所述构建三维卷积神经网络的方法为密集连接和3D卷积。3.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：所述密集连接和3D卷积的构建包括以下步骤：步骤21，将网络中每个卷积层连接构建密集连接网络；修改密集连接网络的卷积核，使用3D卷积的卷积核替代密集连接网络中的所有2D卷积核；步骤22，通过步骤1中所构建的数据集对神经网络进行训练，使得三维卷积神经网络能够提取图片特征。4.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：所述3D卷积的卷积核替代密集连接网络中的所有2D卷积核的方法包括：使用3D卷积核将2D卷积核推广到三维，对于第i层3D卷积层的第j层Feature Map中(xyz)坐标中的值的计算公式如公式1所示：其中，x,y,z为输入采样点，是当前3D卷积核所在的第k层Feature Map中(p.q,r)坐标中的值，g(
·
)为激活函数，b
1j
为bias，m为第(i
‑
i)层Feature Map索引的集合，P
i
与Q1为卷积核的长和宽，Q
i
是时序方向卷积核的大小；p,q,r分别为输入采样点x,y,z周边按卷积定义得到的采样点，ω为采样点权重。5.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：所述构建暴力行为视频数据集包括收集网络数据集、监控视频调取，剪辑收集视频的暴力行为片段。6.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：步骤3中，使用训练的网络输出结果对多层感知机进行训练，使其具备分类功能，其中，所述多层感知机使用的分类方式为二分类。7.根据权利要求1所述的一种监控暴力行为检测方法，其特征在于：所述3D卷积包括6个1<...

【专利技术属性】
技术研发人员：徐映千，何欣楠，唐雪萍，
申请(专利权)人：河海大学，
类型：发明
国别省市：