[發(fā)明專利]基于設備端的智能暴恐行為檢測方法

在審

• 申請?zhí)枺?/td>: 202011129340.6
• 申請日: 2020-10-21
• 公開（公告）號: CN112287791A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設計）人: 李雪;李銳;王建華
• 申請（專利權(quán)）人: 濟南浪潮高新科技投資發(fā)展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 李桂存

本發(fā)明提供了一種基于設備端的智能暴恐行為檢測方法。其包括以下步驟：S1.對暴恐行為進行分類；S2.選擇輕量級網(wǎng)絡MobileNets模型，該模型在卷積操作中借鑒了可分離卷積的思想，將標準卷積操作分割為depthwise和pointwise兩部分；S3.利用網(wǎng)絡訓練標記后的暴恐數(shù)據(jù)得到模型，利用剪枝的方式對模型進行壓縮，即通過排序神經(jīng)網(wǎng)絡中神經(jīng)元的貢獻度，去除對輸出貢獻較小的參數(shù)；S4.對模型檢測出的暴恐元素進行邏輯關系組合，定義判斷暴恐行為的條件；S5.對當前幀圖像檢測，當檢測結(jié)果符合邏輯關系時，判定為暴恐行為，發(fā)出警報，通知最近的安保人員，否則判為正常行為。

技術領域

本發(fā)明涉及一種基于設備端的智能暴恐行為檢測方法，屬于暴恐檢測、深度學習技術領域。

背景技術

深度學習模型的邊緣端部署讓設備智能化，近年來室外安全事件頻發(fā)，且因為沒有第一時間報警而錯失救援，因此在邊緣端進行智能化部署，則可以取代人工視頻監(jiān)控，對監(jiān)控區(qū)域內(nèi)的目標進行實時監(jiān)測和判別，提高事故報警率，提高救援速度。傳統(tǒng)的暴恐檢測多依賴于肢體的異常行為檢測，目標檢測同樣可以應用到暴恐檢測領域。

發(fā)明內(nèi)容

為實現(xiàn)在邊端設備智能檢測暴恐行為的問題，本發(fā)明目的是提供了一種基于設備端的智能暴恐行為檢測方法。

本發(fā)明為實現(xiàn)上述目的，通過以下技術方案實現(xiàn)：

一種基于設備端的智能暴恐行為檢測方法，包括以下步驟：

S1. 對暴恐行為進行分類；

S2.選擇輕量級網(wǎng)絡MobileNets模型，該模型在卷積操作中借鑒了可分離卷積的思想，將標準卷積操作分割為depthwise和pointwise兩部分；

S3. 利用網(wǎng)絡訓練標記后的暴恐數(shù)據(jù)得到模型，利用剪枝的方式對模型進行壓縮，即通過排序神經(jīng)網(wǎng)絡中神經(jīng)元的貢獻度，去除對輸出貢獻較小的參數(shù)；

S4.對模型檢測出的暴恐元素進行邏輯關系組合，定義判斷暴恐行為的條件；

S5. 對當前幀圖像檢測，當檢測結(jié)果符合邏輯關系時，判定為暴恐行為，發(fā)出警報，通知最近的安保人員，否則判為正常行為。

上述基于設備端的智能暴恐行為檢測方法基礎上，假設輸入數(shù)據(jù)維度為，depthwise+Pointwise的組合卷積參數(shù)量為: ，w為圖像寬度、h為圖像，c為圖像通道，n為卷積核個數(shù)。

上述基于設備端的智能暴恐行為檢測方法基礎上，s1中參考PASCAL VOC數(shù)據(jù)集的標注格式，人為定義6中暴恐行為：血腥、爆炸、車禍、槍支、刀具和恐怖分子，標記數(shù)據(jù)并參與訓練。

本發(fā)明的優(yōu)點在于：

室外公共場所，如廣場、車站等，攝像頭角度固定，因此圖像背景保持不變，在這種情況下，可以在攝像頭處搭載暴恐檢測模型，達到對監(jiān)控視頻實時監(jiān)測的目的。

具體實施方式

下面將結(jié)合本發(fā)明實施例，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

一種基于設備端的智能暴恐行為檢測方法，包括以下步驟：

S1. 參考PASCAL VOC數(shù)據(jù)集的標注格式，人為定義6中暴恐行為：血腥、爆炸、車禍、槍支、刀具和恐怖分子，標記數(shù)據(jù)并參與訓練；