基于深度学习的泄密行为识别方法技术

本发明专利技术公开了一种基于深度学习的泄密行为识别方法，包括步骤：1：获取监控设备拍摄的军用机场的视频；2：预处理监控视频画面，预先训练AlphaPose框架，提取监控视频画面中出现的人员的关节点和骨架特征；3：基于关节点和骨架特征，对监控视频画面中的人员进行动作关节特征向量计算，得到监控视频画面中每名人员的动作关节特征；4：建立深度学习识别模型，对每名人员的动作关节特征，进行分类处理，识别目标动作特征；5：将分类为泄密行为的目标动作特征对应的人员进行异常标记，获得目标异常对象属性及其运动轨迹，将该异常目标对象上报安防部门处理。本发明专利技术能准确、实时的识别军用机场疑似违规拍摄泄密行为。疑似违规拍摄泄密行为。疑似违规拍摄泄密行为。

【技术实现步骤摘要】
基于深度学习的泄密行为识别方法


[0001]本专利技术涉及一种行为识别方法，尤其涉及一种基于深度学习的泄密行为识别方法。

技术介绍

[0002]泄密行为是指负有保守国家军事秘密职责的单位或个人，故意或者过失地把国家军事秘密泄露给内部不应知密者或外部人员的行为，或者指由于企业自身的故意或疏忽、意外事故、他人的故意侵权行为或其他原因使商业秘密部分或全部丧失秘密性，从而导致企业丧失竞争优势或遭不利。但是人的行为是很难揣测的，特别是一些泄密行为，它们的隐蔽性很高，如果不能及时发现这些泄密行为并加以阻止将可能会对国家利益和企业利益造成严重危害。
[0003]军用机场中常见的泄密行为包括盗摄和非法复制、记录、存储涉密信息等，传统的监视系统主要依靠人力来分析海量视频信息，用于识别泄密行为，不但会消耗大量人力财力，效率较低，而且不能保证识别的准确性。
[0004]目前，基于深度学习的行为识别方法主要有：3D卷积的方法、双流网络的方法、LSTM(Long short
‑
term memory，即长短期记忆)的方法。
[0005]3D卷积的优点是简单直接，可以直接得到视频的时空特征，但3D卷积只是简单的将时间维度加到卷积网络中，虽然相较于2D卷积有了很大的进步，但其识别准确性仍较差，无法精确识别军事机场中的拍摄泄密行为。
[0006]双流网络的优点是可利用两个网络通道分别提取空间特征和时间特征，网络设计非常符合视频本身固有的时空特性，具有更加优雅的特性，单独提取特征更加高效。但是双流网络的缺点在于空间特征和时间特征之间难以实现非常完美的交互，由于割裂了时间和空间，会在一定程度上影响行为识别的准确性，而且在哪一层进行时空特征融合也是一个难以准确界定的问题。双流网络对于军事机场中的拍摄泄密行为的识别精度仍有待提高。
[0007]LSTM算法挖掘了时间上的特征，能够更好的利用时间属性，解决了视频的时间特征难以有效使用的难题，采用卷积神经网络形成特征序列的方式也是当前主流的空间特征提取方式。但是LSTM算法需要合理的设计用于形成特征序列的卷积神经网络，否则容易造成时间信息的缺失，使得RNN(循环神经网络)无法提取有效的时间特征，影响对军事机场中的拍摄泄密行为的有效识别。
[0008]另外，循环神经网络和卷积神经网络均需要使用人体运动专业知识进行建模，建模过程比较复杂，且对人体运动专业知识的要求较高。因此，需要提供一种能准确、实时的识别军用机场疑似违规拍摄泄密行为的基于深度学习的泄密行为识别方法。

技术实现思路

[0009]本专利技术的目的在于提供一种基于深度学习的泄密行为识别方法，能准确、实时的识别军用机场疑似违规拍摄泄密行为。
[0010]本专利技术是这样实现的：
[0011]一种基于深度学习的泄密行为识别方法，包括以下步骤：
[0012]步骤1：获取监控设备拍摄的军用机场的视频；
[0013]步骤2：对监控视频画面进行预处理，预先训练AlphaPose框架，并利用AlphaPose框架提取监控视频画面中出现的人员的关节点和骨架特征；
[0014]步骤3：基于提取的人员的关节点和骨架特征，对监控视频画面中的人员进行动作关节特征向量计算，得到监控视频画面中每名人员的动作关节特征；
[0015]步骤4：将动作关节特征导入模型，优化建立深度学习识别模型，并利用深度学习识别模型对每名人员的动作关节特征，进行分类处理，识别目标动作特征；
[0016]步骤5：将分类为泄密行为的目标动作特征对应的人员进行异常标记，获得目标异常对象属性及其运动轨迹，将该异常目标对象上报安防部门处理。
[0017]所述的监控视频画面的预处理方法是：构建目标运动轨迹并提取目标特征，根据前后帧监控视频帧序列的目标特征对比，筛选出跟踪目标，即监控视频画面中出现的人员。
[0018]在筛选出跟踪目标时，采用目标检测算法对目标进行检测，再通过SLATracker跟踪算法对多目标在复杂场景下进行长时间的跟踪，从而筛选出跟踪目标。
[0019]所述的AlphaPose框架提取监控视频画面中出现的人员的关节点和骨架特征的方法是：提取监控视频画面中有人员的活动帧，利用AlphaPose框架提取活动帧中人员的关节点，并对相邻关节进行骨骼连线。
[0020]所述的人员的关节点包括鼻子、脖子、左肩膀、右肩膀、左肘、右肘、左腕、右腕、臀部、左髋、右髋、左膝盖、右膝盖、左脚踝和右脚踝。
[0021]所述的步骤3中，采用“局部骨盆发散法”，绘制以臀部关节点为起点，肩部、肘部、腕部关节点为终点的左右各若干条动作特征关节向量，并计算出活动帧内动作特征的线位移和向量角，利用线位移和向量角的变化判断动作特征关节向量是否与目标动作特征相符。
[0022]所述的目标动作特征包括单臂拍摄、双臂拍摄、单臂呼救和双臂呼救。
[0023]所述的步骤4包括以下分步骤：
[0024]步骤4.1：构建模型结构；
[0025]步骤4.2：初始化模型结构中的参数，参数包括权重、偏差、缩减率和学习率；
[0026]步骤4.3：基于关节点和骨架特征，使用前向学习和反向传播对模型结构进行训练；
[0027]步骤4.4：当满足结束条件时，模型训练完成，使得该模型参数最优，得到深度学习识别模型，能够满足泄密行为识别的要求；
[0028]步骤4.5：利用深度学习识别模型对每名人员的动作关节特征进行识别和分类处理，识别泄密行为的目标动作特征。
[0029]所述的模型结构由CNN卷积神经网络、池化模块、注意力模块和激活函数组成；
[0030]步骤4.1包括以下分步骤：
[0031]步骤4.1.1：在CNN卷积神经网络中添加通道注意力模块，并采用全局平均池化和最大池化两种不同方式来分别利用不同的信息，用于汇总空间特征；
[0032]步骤4.1.2：将残差块引入模型结构中；
[0033]残差块引入的方法是：
[0034]假定X是残差网络块的输入，F(X)是残差映射函数，则原始映射可以表示为Y＝F(X)+X；
[0035]对于特征F，分别进行一个空间的全局平均池化和最大池化得到两个1
×1×
C的通道描述，再将两个通道描述分别送入一个两层的神经网络，第一层神经元个数为C/r，激活函数为Relu，第二层神经元个数为C，得到两个特征；这个两层的神经网络是共享的；再将得到的两个特征相加后经过一个Sigmoid激活函数得到权重系数Mc；最后，将权重系数Mc和原来的特征F相乘，即可得到缩放后的新特征；
[0036]步骤4.1.3：在添加通道注意力模块后，再引入空间注意力模块，用于关注有意义的动作关节特征；
[0037]空间注意力模块的引入方法是：
[0038]给定一个H
×
W
×
C的特征F
’
，先分别进行一个通道维度的平均池化和最大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的泄密行为识别方法，其特征是：包括以下步骤：步骤1：获取监控设备拍摄的军用机场的视频；步骤2：对监控视频画面进行预处理，预先训练AlphaPose框架，并利用AlphaPose框架提取监控视频画面中出现的人员的关节点和骨架特征；步骤3：基于提取的人员的关节点和骨架特征，对监控视频画面中的人员进行动作关节特征向量计算，得到监控视频画面中每名人员的动作关节特征；步骤4：将动作关节特征导入模型，优化建立深度学习识别模型，并利用深度学习识别模型对每名人员的动作关节特征，进行分类处理，识别目标动作特征；步骤5：将分类为泄密行为的目标动作特征对应的人员进行异常标记，获得目标异常对象属性及其运动轨迹，将该异常目标对象上报安防部门处理。2.根据权利要求1所述的基于深度学习的泄密行为识别方法，其特征是：所述的监控视频画面的预处理方法是：构建目标运动轨迹并提取目标特征，根据前后帧监控视频帧序列的目标特征对比，筛选出跟踪目标，即监控视频画面中出现的人员。3.根据权利要求2所述的基于深度学习的泄密行为识别方法，其特征是：在筛选出跟踪目标时，采用目标检测算法对目标进行检测，再通过SLATracker跟踪算法对多目标在复杂场景下进行长时间的跟踪，从而筛选出跟踪目标。4.根据权利要求1所述的基于深度学习的泄密行为识别方法，其特征是：所述的AlphaPose框架提取监控视频画面中出现的人员的关节点和骨架特征的方法是：提取监控视频画面中有人员的活动帧，利用AlphaPose框架提取活动帧中人员的关节点，并对相邻关节进行骨骼连线。5.根据权利要求4所述的基于深度学习的泄密行为识别方法，其特征是：所述的人员的关节点包括鼻子、脖子、左肩膀、右肩膀、左肘、右肘、左腕、右腕、臀部、左髋、右髋、左膝盖、右膝盖、左脚踝和右脚踝。6.根据权利要求1所述的基于深度学习的泄密行为识别方法，其特征是：所述的步骤3中，采用“局部骨盆发散法”，绘制以臀部关节点为起点，肩部、肘部、腕部关节点为终点的左右各若干条动作特征关节向量，并计算出活动帧内动作特征的线位移和向量角，利用线位移和向量角的变化判断动作特征关节向量是否与目标动作特征相符。7.根据权利要求1所述的基于深度学习的泄密行为识别方法，其特征是：所述的目标动作特征包括单臂拍摄、双臂拍摄、单臂呼救和双臂呼救。8.根据权利要求1所述的基于深度学习的泄密行为识别...

【专利技术属性】
技术研发人员：金国栋，杨钦，董政，陈新喜，王俊佚，刘丹，杨大健，吴光辉，
申请(专利权)人：中国建筑第八工程局有限公司，
类型：发明
国别省市：