【技术实现步骤摘要】
本专利技术涉及校园安全保护领域，特别是涉及一种基于yolo算法的校园危险行为识别方法。
技术介绍
1、异常行为检测属于目标检测。目标检测算法可以分为基于传统手工特征的方法和基于深度学习的方法。传统的目标检测算法如hog、svm，过度依赖人为定义特征进行检测，使得无法适应复杂多样的环境，检测准确率较低，所以基于传统手工特征的方法显然不符合如今特征工程复杂的检测。因此相比之下我们选择基于深度学习的方法，目前主流的基于深度学习的目标检测方法大致分为one-stage与two-stage。其中two-stage算法代表有r-cnn，mask-rcnn，faster-rcnn等，算法特点是准确率高，速度较慢。one-stage算法代表有yolo系列，目前yolo算法已经更新到v5，检测帧率高，处理速度可达45fps，快速版本甚至可达155fps，更适合用于实时系统，且背景预测错误率更低。在画面背景复杂、人群密集的视频中存在遮挡现象从而导致目标检测不准，因此我们需要选择帧率高、容错率低的算法。相比于faster r-cnn，yolo算法优势在于速度更快，帧率更高，直接得到检测结果，在检测性能上要大大优于r-cnn系统算法。
2、此外，目前跌倒检测算法主要针对居家的老年人和青少年，主要形式为基于可穿戴设备的跌倒检测系统、基于环境信号的跌倒检测系统和基于视频监控的跌倒检测系统。其中赵斌等提出基于faster r-cnn的跌倒检测算法，通过人体的宽高特征比来区分检测目标是否跌倒。张程等提出结合openpose结合ms-g3d检测检测方
3、目前打架检测，主要有2种主流的方法，分别是：
4、(1)基于骨骼点的打架检测。其主要思想是：通过openpose等框架，将人体的骨骼点回归出来，然后基于骨骼点写逻辑，进行判断。目前有一部分人是基于这个做的打架检测。但是打架过程中如果人员纠缠在一起的话，利用骨骼点准确判断就比较困难。
5、(2)基于视频理解的打架检测。其主要思想是：基于时序进行判断。打架对时序有着较强的依赖，利用目标检测技术去识别打架容易出现误检测或者漏检情况。另外如果人员重叠遮挡严重的话，基于骨骼点的行为识别，就有很大的局限性。而基于视频理解的打架检测，则较好的解决了这些问题。但是这种实现起来难度也较大。
技术实现思路
1、本专利技术目的是针对
技术介绍
中存在的问题，提出一种基于yolo算法的校园危险行为识别方法通过让系统学习识别大量已被标记的数据集并形成自我识别能力，通过其连接的摄像头等摄像装置获取的图片视频信息进行系统主观识别判断，如果识别是打架或跌倒的危险行为后及时通过连接的报警系统发出报警信号，采取在学校教学楼、操场等人员众多的地方以及部分盲区的大量投入装置，从而解决传统检测方式耗费人力、精力大，无法实时检测，预警慢等弊端，并降低了校园安全风险。
2、本专利技术的技术方案，一种基于yolo算法的校园危险行为识别方法，包括以下具体步骤：
3、s1、收集校园危险行为视频或图片并对视频及图片进行预处理；
4、s2、制作目标对象的数据集；
5、s3、训练yolo神经网络模型，提取各类别物体的特征；
6、s4、通过摄像头采集视频图像，输入训练好的yolo神经网络模型；
7、s5、对采集到的监控视频图像中的目标进行分类标注；
8、s6、检测到该区域有危险行为出现后上报预警。
9、优选的，s1中对收集来的视频和图片通过人工进行系统标注处理。
10、标注的标签包括打架、跌倒摔跤以及无异常三种标签。
11、s1中预处理步骤包括：
12、s11、明确项目目的；
13、s12、设置项目名称；
14、s13、建立工程文件；
15、s14、选取具有跌倒/打架/无异常行为标志性的图片标注并转化，生成label文件。
16、优选的，s2中使用mosaic数据增强方法或mixup数据增强方法制作目标对象的数据集。
17、优选的，mosaic数据增强方法包括：
18、将四张图片进行拼接，每张图都有自己的选框，将四张图随机缩放、裁减、排布后拼接成一张新的图，同时获得这张新图对应的选框。
19、优选的，mixup数据增强方法包括：从样本中随机选取两个样本，读取它们的样本标签数据，经过融合计算得到新的样本标签数据，然后将数据添加到样本中进行训练。
20、优选的，s3中训练yolo神经网络模型包括以下步骤：
21、s31、建立算法模型，设置模型参数；
22、s32、获取模型总步长和模型输入图片分辨率；
23、s33、对所有样本进行统计并做可视化，获取初步训练的迭代次数、初始化模型的map值和results值；
24、s34、反复训练模型，记录各个模型的训练结果和数据，直至数据偏差值满足预期。
25、与现有技术相比，本专利技术具有如下有益的技术效果：
26、本专利技术通过让系统学习识别大量已被标记的数据集并形成自我识别能力，通过其连接的摄像头等摄像装置获取的图片视频信息进行系统主观识别判断，如果识别是打架或跌倒的危险行为后及时通过连接的报警系统发出报警信号，采取在学校教学楼、操场等人员众多的地方以及部分盲区的大量投入装置，从而解决传统检测方式耗费人力、精力大，无法实时检测，预警慢等弊端，并降低了校园安全风险。
本文档来自技高网...【技术保护点】
1.一种基于YOLO算法的校园危险行为识别方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，S1中对收集来的视频和图片通过人工进行系统标注处理。
3.根据权利要求2所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，标注的标签包括打架、跌倒摔跤以及无异常三种标签。
4.根据权利要求3所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，S1中预处理步骤包括：
5.根据权利要求1所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，S2中使用Mosaic数据增强方法或Mixup数据增强方法制作目标对象的数据集。
6.根据权利要求5所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，Mosaic数据增强方法包括：
7.根据权利要求5所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，Mixup数据增强方法包括：从样本中随机选取两个样本，读取它们的样本标签数据，经过融合计算得到新的样本标签数据，然后将数
8.根据权利要求1所述的一种基于YOLO算法的校园危险行为识别方法，其特征在于，S3中训练YOLO神经网络模型包括以下步骤：
...【技术特征摘要】
1.一种基于yolo算法的校园危险行为识别方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于yolo算法的校园危险行为识别方法，其特征在于，s1中对收集来的视频和图片通过人工进行系统标注处理。
3.根据权利要求2所述的一种基于yolo算法的校园危险行为识别方法，其特征在于，标注的标签包括打架、跌倒摔跤以及无异常三种标签。
4.根据权利要求3所述的一种基于yolo算法的校园危险行为识别方法，其特征在于，s1中预处理步骤包括：
5.根据权利要求1所述的一种基于yolo算法的校园危险行为识别方法，其特征在于，s...
【专利技术属性】
技术研发人员：许智广，孙昊怡，李鸿博，裔靖远，郁佳佳，
申请(专利权)人：东南大学成贤学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。