CN108875712A - 一种基于ViF描述符的暴力行为检测系统及方法 - Google Patents

一种基于ViF描述符的暴力行为检测系统及方法 Download PDF

Info

Publication number
CN108875712A
CN108875712A CN201810862463.7A CN201810862463A CN108875712A CN 108875712 A CN108875712 A CN 108875712A CN 201810862463 A CN201810862463 A CN 201810862463A CN 108875712 A CN108875712 A CN 108875712A
Authority
CN
China
Prior art keywords
vif
descriptor
act
violence
amplitude
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810862463.7A
Other languages
English (en)
Inventor
张栗粽
殷光强
田玲
刘桂军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Electrical Technology Wei Yun Information Technology Co Ltd
Original Assignee
Sichuan Electrical Technology Wei Yun Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Electrical Technology Wei Yun Information Technology Co Ltd filed Critical Sichuan Electrical Technology Wei Yun Information Technology Co Ltd
Priority to CN201810862463.7A priority Critical patent/CN108875712A/zh
Publication of CN108875712A publication Critical patent/CN108875712A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及视频图像处理技术，其公开了一种基于ViF描述符的暴力行为检测方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。该方法包括：a.输入短视频序列；b.通过所述短视频序列来计算平均帧间幅度的变化；c.基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；d.通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。此外，本发明还公开了对应的暴力行为检测系统，适用于不同场景中。

Description

一种基于ViF描述符的暴力行为检测系统及方法
技术领域
本发明涉及视频图像处理技术，具体涉及一种基于ViF描述符的暴力行为检测系统及方法。
背景技术
随着监控系统的大量使用，视频数据出现爆发性的增长。监控系统的作用是进行目标检测以及异常行为检测。随着数据的急剧增长，传统的依靠人工监控的方式已愈发困难，且效率低下。因此，依靠人工智能的监控系统的研究成为了热点。其中，对于人的暴力行为的检测是非常重要的研究方向。
由于暴力行为的动作比起简单的跑、跳行为要复杂很多，所以如何进行暴力行为检测也是相关研究的难点。目前，传统的暴力行为检测主要是采用基于人工设计特征的方法，虽然识别准确率较高，但是也具有某些缺陷，比如：不能达到实时的效果，易受噪声的影响等。
发明内容
本发明所要解决的技术问题是：提出一种基于ViF描述符的暴力行为检测系统及方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。
本发明解决上述技术问题所采用的技术方案是：一种基于ViF描述符的暴力行为检测系统，包括：平均帧间幅度计算模块、区域划分模块、暴力行为预测模块；
所述平均帧间幅度计算模块，用于通过一段短视频序列来计算平均帧间幅度的变化；
所述区域划分模块，用于基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；
所述暴力行为预测模块，用于通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。
作为进一步优化，所述平均帧间幅度计算模块具体用于：
计算视频序列中相邻两帧图像的流光图，根据流光图计算对应幅度，接着根据前后两个流光图对应的幅度计算帧间幅度变化，在获取该视频序列中所有帧间幅度变化后，除以相应个数以此计算平均帧间幅度变化。
作为进一步优化，所述人体骨架的信息是指人体骨架的十八个特征点信息，其包括：
鼻子、颈部、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀部、右膝盖、右脚踝、左臀部、左膝盖、左脚踝、右眼、左眼、右耳和左耳。
作为进一步优化，所述区域划分模块按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符，具体包括：
对M*N个单元中的每一个单元的平均帧间幅度变化进行直方图统计获得对应的统计向量，对各个统计向量除以自身的一范数后再进行拼接，从而获得ViF描述符。
作为进一步优化，所述平均帧间幅度计算模块、区域划分模块和暴力行为预测模块均被部署于同一个服务器上；或者，所述平均帧间幅度计算模块和区域划分模块被部署于同一个服务器上，而所述暴力行为预测模块被部署于另外一个服务器上。
此外，基于上述系统，本发明还提供了一种基于ViF描述符的暴力行为检测方法，其包括以下步骤：
a.输入短视频序列；
b.通过所述短视频序列来计算平均帧间幅度的变化；
c.基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；
d.通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。
作为进一步优化，步骤b具体包括：
b1.设置帧间隔Gap；
b2.按照帧间隔Gap连续提取三帧F1、F2、F3；
b3.通过三帧中相邻的两帧F1F2和F2F3分别计算出对应光流图O1和O2；
b4.根据得到的两个光流图O1和O2分别计算出其对应幅度M1和M2；
b5.根据幅度M1和M2计算出幅度变化B，并和上一次的幅度变化进行累加；
b6.判断所有帧是否均已处理完，是则进入步骤b7，否则跳转到步骤b2；
b7.将累加的所有幅度变化除以幅度变化的个数，获得平均帧间幅度变化B2。
作为进一步优化，步骤c中，所述基于人体骨架的信息对图像进行区域划分，获得M*N个单元，具体包括：
首先计算出每个目标与其他目标之间的像素距离，再根据像素距离和设定的阈值进行分类，如果两个目标之前的像素距离小于预先设定的阈值，则将它们划分为一个单元，最后基于分类信息计算出区域划分的单元M*N。
作为进一步优化，步骤c中，所述按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符，具体包括：
对M*N个单元中的每一个单元的平均帧间幅度变化进行直方图统计获得对应的统计向量，对各个统计向量除以自身的一范数后再进行拼接，从而获得ViF描述符。
作为进一步优化，步骤d中，所述经过训练的预测模块为SVM模型或者K-means模型，在将ViF描述符输入至模型后，模型会进行聚类操作，最终会输出0或者1来表示预测的结果，其中，1表示检测到暴力行为，0表示未检测到暴力行为。
本发明的有益效果是：
通过输入一段短视频序列，接着根据人体骨架的特征点信息计算出区域划分的单元，然后根据划分的单元将视频序列转化为ViF描述符，最后将ViF描述符输入到SVM或者K-means中进行预测。
对于多种不同类型的监控场所，该方法能够对视频流进行自动地分析，如果检测到暴力行为的发生，立马触发报警装置进行报警，管理人员则可以第一时间获得通知，并进行相应的处理，具有实时性；而在对图像进行区域划分时，可以基于人体骨架的特征点信息来自动地计算出区域划分的比例，从而提高暴力行为预测的准确性。
附图说明
图1为本发明中的暴力行为检测方法流程图；
图2为实施例1中的暴力行为检测系统在大规模视频流场景部署应用示意图；
图3为实施例2中的暴力行为检测系统在小规模视频流场景部署应用示意图。
具体实施方式
本发明旨在提出一种基于ViF描述符的暴力行为检测系统及方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。
为便于理解，首先对本发明中可能出现的技术名词进行解释：
1.视频帧：视频都是由静止的画面组成的，这些静止的画面被称为帧。一般来说，帧率低于15帧每秒，连续的运动视频就会有停顿的感觉。我国采用的电视标准PAL(帕尔制，电视广播制式)制，它规定视频25帧每秒。
2.人体关键点检测框架：可以通过单幅图片进行多人和单人的关键点检测。我们主要用到的是其提供的pose(姿势)信息，其包括十八个关键点信息(鼻子、颈部、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀部、右膝盖、右脚踝、左臀部、左膝盖、左脚踝、右眼、左眼、右耳、左耳)，它简单的代表了一个人体的骨架。
3.ViF描述符：Violence Flows(暴力流)描述符，通过短视频序列得到，它是由每个单元进行直方图统计之后再进行拼接之后得到的，能够用于SVM或者K-means的输入，从而进行暴力行为的预测。
4.光流法：一种简单实用的图像运动的表达方式，通常定义为一个图像序列中的图像亮度模式的表观运动，即空间物体表面上的点的运动速度在视觉传感器的成像平面上的表达。
如图1所示，本发明中的基于ViF描述符的暴力行为检测方法在具体实现上包括步骤：
1.输入短视频序列S；
2.设置帧间隔Gap；
3.按照帧间隔Gap连续提取三帧F1、F2、F3；
4.通过三帧中相邻的两帧F1F2和F2F3分别计算出对应光流图O1和O2；
5.根据得到的两个光流图O1和O2分别计算出其对应幅度M1和M2；
6.根据幅度M1和M2计算出幅度变化B，并和上一次的幅度变化进行累加；
7.判断所有帧是否均已处理完，是则进入步骤8，否则跳转到步骤3；
8.将累加的所有幅度变化除以幅度变化的个数，获得平均帧间幅度变化B2。
9.基于人体关键点检测框架对图像进行区域划分，获得M*N个单元；
10.并按照划分的M*N个单元对平均帧间幅度变化B2进行直方图统计，获得ViF描述符；对于每一个单元来说，对平均的幅度变化进行直方图统计，得到一个统计向量Ci，再将统计向量Ci除以Ci的一范数得到ViF描述符中的一部分Vi，我们需要对划分的所有单元(M*N个单元)都进行同样的操作，再将所有的Vi拼接就得到ViF描述符V；
11.将ViF描述符V输入到SVM或者K-means中进行暴力行为的预测，最终输出是否检测到暴力行为：1表示检测到暴力行为，0表示未检测到暴力行为。
本发明中的基于ViF描述符的暴力行为检测系统包括：平均帧间幅度计算模块、区域划分模块和暴力行为预测模块三个部分；其中，所述平均帧间幅度计算模块，用于通过一段短视频序列来计算平均帧间幅度的变化；所述区域划分模块，用于基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；所述暴力行为预测模块，用于通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。
在上述系统的具体部署上，可以将三个模块均部署于同一个服务器上，以满足大规模视频流场景的需求，也可以将平均帧间幅度计算模块和区域划分模块部署于同一个服务器上，将暴力行为预测模块单独部署于另外一个服务器上，以满足小规模视频流场景的需求。
实施例一：用于大规模视频流的场景
本实施例描述的场景如图2所示，摄像头一直负责视频流的采集，三个模块都部署在检测服务器上，周期性地将预测结果存入数据库中，客户端则采用轮询的方式去检查是否有暴力事件的发生。系统具体处理步骤如下：
1、首先摄像头实时的采集视频流，并且缓存在本地。
2、接着检测服务器中的平均帧间幅度计算模块(模块一)进行平均帧间幅度变化的计算，
该模块的主要步骤有：
①根据预先设置的帧间隔连续地提取三帧F1、F2、F3；
②通过F1F2和F2F3分别计算出光流图O1和O2；
③接着根据O1和O2计算出其幅度M1和M2；
④再根据M1和M2计算出帧间幅度变化B；
⑤一直累加处理直到所有帧都处理完，因此得到帧间幅度变化B的累加值；
⑥再将累加值除以次数得到平均的帧间幅度变化B2；
3、区域划分模块(模块二)将根据人体关键点检测框架提供的目标姿势关键点信息进行比例划分，并且计算出VIF描述符，该模块的主要步骤有：
①首先计算出每个目标与其他目标之间的像素距离；
②再根据像素距离和设定的阈值进行分类，如果两个目标之前的像素距离小于预先设定的阈值，则将他们划分为同一类(单元)；
③然后基于分类信息计算出区域划分的单元数量M*N；
在一个单元中，我们对平均的幅度变化进行直方图统计，得到一个统计向量Ci，再将统计向量Ci除以Ci的一范数得到ViF描述符中的一部分Vi，我们需要对所有的(M*N个)单元都进行同样的操作，因此将所有的Vi拼接就得到ViF描述符V，该ViF描述符将用于暴力预测模块的预测。
4、基于上一模块得到的VIF描述符，暴力预测模块(模块三)将通过SVM或者K-means进行预测，并且输出相应的预测结果。
SVM或者K-means则提前通过大量样本进行训练。
经过上述一系列的处理步骤之后，检测服务器将检测到的暴力事件存入数据库中。在该实施例中，由于三个模块都部署在同一个服务器中，处理速度相对较慢，适用于一些大规模的公共场所，比如：街道等。
最后客户端将采用轮询的方式查询数据库，检测一段时间内是否发生暴力行为。如果检测到暴力行为，管理员将通知该地区的值班人员去相应的地点进行查看。
实施例二：用于小规模视频流的场景
本实施例描述的场景如图3所示，摄像头一直负责视频流的采集，模块一和模块二都部署在同一视频流服务器上，而模块三部署在单独的检测服务器上。视频流服务器主要是计算ViF描述符，因为前两个模块的处理比较耗时，因此单独部署。检测服务器则集中进行预测，这样能够将耗时模块单独分离出来，从而提高整个系统的处理能力。最后客户端采用轮询的方式去检查是否有暴力事件的发生。系统具体处理步骤如下：
1、首先摄像头实时的采集视频流，并且缓存在本地。
2、接着视频流服务器中的模块一将进行平均帧间幅度变化的计算，该模块的主要步骤有：
①根据预先设置的帧间隔连续地提取三帧F1、F2、F3；
②通过F1F2和F2F3分别计算出光流图O1和O2；
③接着根据O1和O2计算出其幅度M1和M2；
④再根据M1和M2计算出帧间幅度变化B；
⑤一直累加处理直到所有帧都处理完，因此得到帧间幅度变化B的累加值；
⑥再将累加值除以次数得到平均的帧间幅度变化B2；
3、接着模块二将根据人体关键点检测框架提供的目标姿势关键点信息进行比例划分，并且计算出VIF描述符，该模块的主要步骤有：
①首先计算出每个目标与其他目标之间的像素距离；
②再根据像素距离和设定的阈值进行分类，如果两个目标之前的像素距离小于预先设定的阈值，则将他们划分为同一类(单元)；
③然后基于分类信息计算出区域划分的单元数量M*N；
在一个单元中，我们对平均的幅度变化进行直方图统计，得到一个统计向量Ci，再将统计向量Ci除以Ci的一范数得到ViF描述符中的一部分Vi，我们需要对所有的(M*N个)单元都进行同样的操作，因此将所有的Vi拼接就得到ViF描述符V，该ViF描述符将用于暴力预测模块的预测。
4、视频流服务器计算得到ViF描述符后将立即上传给检测服务器；
检测服务器接收来自多个视频流服务器的ViF描述符，然后模块三通过SVM或者K-means进行预测，并且输出相应的预测结果。
SVM或者K-means则提前通过大量样本进行训练。
经过上述一系列的处理步骤之后，检测服务器将检测到的暴力事件存入数据库中。在该实施例中，由于前两个耗时模块单独分离出来部署，能够提升整个系统的处理能力，适用于一些对小规模的监控场所。
最后客户端将采用轮询的方式查询数据库，检测一段时间内是否发生暴力行为。如果检测到暴力行为，管理员将通知该地区的值班人员去相应的地点进行查看。
在上述两种实施例方案中，数据库对检测结果的存储方式参见下表：
基于ViF描述符的暴力行为检测存储表
该表总共有七个字段，分别为：
id，即序号，用以标识检测的视频流的编号；
timestamp,即时间戳，用以标识对视频流进行暴力行为检测的时间；
roomID，即仓室的序号，用以标识摄像头所处区域或房间的编号；
cameraId，即摄像头ID，用以标识视频流来源的摄像头的编号；
VIF_descriptor，即VIF描述符，由视频流图像按照人体骨架特征点进行区域划分后的单元帧间幅度变化进行直方图统计，再进行拼接得到的，用以作为预测模型的输入；
isViolent，即是否为暴力，用以标识视频流的暴力行为检测结果，为1表示视频流含有暴力行为，为0表示视频流不含暴力行为；
isError,即是否为误报，用以标识对视频流的暴力行为检测与实际情况相比是否有误报，为1表示有误报，为0表示没有误报。
在客户端轮询上述存储表时根据roomID和cameraId查询对应某个摄像头的视频流的暴力行为检测结果，根据isViolent字段的值来判断是否存在暴力行为，若isViolent字段的值为1则表示有暴力行为，将自动触发相应报警装置，管理员可以通知相应地区的值班人员前往相应地点进行查看和处理，根据值班人员的反馈情况，管理员可以对存储表中的isError字段进行填写，1表示有误报(暴力行为检测结果与实际情况不符)，0表示没有误报(暴力行为检测结果与实际情况相符)。
由于上述存储表记录了每次针对视频流计算出来的VIF描述符和暴力行为检测结果isViolent，并结合管理员对isError字段的处理情况，我们的SVM模型可以从数据库中提取大量的历史数据进行训练，即不断丰富SVM模型的训练样本，从而使SVM预测越来越准确。

Claims (10)

1.一种基于ViF描述符的暴力行为检测系统，其特征在于，
包括：平均帧间幅度计算模块、区域划分模块、暴力行为预测模块；
所述平均帧间幅度计算模块，用于通过一段短视频序列来计算平均帧间幅度的变化；
所述区域划分模块，用于基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；
所述暴力行为预测模块，用于通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。
2.如权利要求1所述的一种基于ViF描述符的暴力行为检测系统，其特征在于，
所述平均帧间幅度计算模块具体用于：
计算视频序列中相邻两帧图像的流光图，根据流光图计算对应幅度，接着根据前后两个流光图对应的幅度计算帧间幅度变化，在获取该视频序列中所有帧间幅度变化后，除以相应个数以此计算平均帧间幅度变化。
3.如权利要求1所述的一种基于ViF描述符的暴力行为检测系统，其特征在于，
所述人体骨架的信息是指人体骨架的十八个特征点信息，其包括：
鼻子、颈部、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀部、右膝盖、右脚踝、左臀部、左膝盖、左脚踝、右眼、左眼、右耳和左耳。
4.如权利要求1所述的一种基于ViF描述符的暴力行为检测系统，其特征在于，
所述区域划分模块按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符，具体包括：
对M*N个单元中的每一个单元的平均帧间幅度变化进行直方图统计获得对应的统计向量，对各个统计向量除以自身的一范数后再进行拼接，从而获得ViF描述符。
5.如权利要求1-4任意一项所述的一种基于ViF描述符的暴力行为检测系统，其特征在于，
所述平均帧间幅度计算模块、区域划分模块和暴力行为预测模块均被部署于同一个服务器上；或者，所述平均帧间幅度计算模块和区域划分模块被部署于同一个服务器上，而所述暴力行为预测模块被部署于另外一个服务器上。
6.一种基于ViF描述符的暴力行为检测方法，其特征在于，包括以下步骤：
a.输入短视频序列；
b.通过所述短视频序列来计算平均帧间幅度的变化；
c.基于人体骨架的信息对图像进行区域划分，获得M*N个单元，并按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符；
d.通过将ViF描述符输入至经过训练的预测模型中，进行暴力行为的预测。
7.如权利要求6所述的一种基于ViF描述符的暴力行为检测方法，其特征在于，步骤b具体包括：
b1.设置帧间隔Gap；
b2.按照帧间隔Gap连续提取三帧F1、F2、F3；
b3.通过三帧中相邻的两帧F1F2和F2F3分别计算出对应光流图O1和O2；
b4.根据得到的两个光流图O1和O2分别计算出其对应幅度M1和M2；
b5.根据幅度M1和M2计算出幅度变化B，并和上一次的幅度变化进行累加；
b6.判断所有帧是否均已处理完，是则进入步骤b7，否则跳转到步骤b2；
b7.将累加的所有幅度变化除以幅度变化的个数，获得平均帧间幅度变化B2。
8.如权利要求6所述的一种基于ViF描述符的暴力行为检测方法，其特征在于，步骤c中，所述基于人体骨架的信息对图像进行区域划分，获得M*N个单元，具体包括：
首先计算出每个目标与其他目标之间的像素距离，再根据像素距离和设定的阈值进行分类，如果两个目标之前的像素距离小于预先设定的阈值，则将它们划分为一个单元，最后基于分类信息计算出区域划分的单元M*N。
9.如权利要求8所述的一种基于ViF描述符的暴力行为检测方法，其特征在于，所述按照划分的M*N个单元对平均帧间幅度变化进行直方图统计，获得ViF描述符，具体包括：
对M*N个单元中的每一个单元的平均帧间幅度变化进行直方图统计获得对应的统计向量，对各个统计向量除以自身的一范数后再进行拼接，从而获得ViF描述符。
10.如权利要求6-9任意一项所述的一种基于ViF描述符的暴力行为检测方法，其特征在于，步骤d中，所述经过训练的预测模块为SVM模型或者K-means模型，在将ViF描述符输入至模型后，模型会进行聚类操作，最终会输出0或者1来表示预测的结果，其中，1表示检测到暴力行为，0表示未检测到暴力行为。
CN201810862463.7A 2018-08-01 2018-08-01 一种基于ViF描述符的暴力行为检测系统及方法 Pending CN108875712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810862463.7A CN108875712A (zh) 2018-08-01 2018-08-01 一种基于ViF描述符的暴力行为检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810862463.7A CN108875712A (zh) 2018-08-01 2018-08-01 一种基于ViF描述符的暴力行为检测系统及方法

Publications (1)

Publication Number Publication Date
CN108875712A true CN108875712A (zh) 2018-11-23

Family

ID=64307120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810862463.7A Pending CN108875712A (zh) 2018-08-01 2018-08-01 一种基于ViF描述符的暴力行为检测系统及方法

Country Status (1)

Country Link
CN (1) CN108875712A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784253A (zh) * 2019-01-04 2019-05-21 上海钧正网络科技有限公司 一种单车用户异常行为的检测方法
CN111488858A (zh) * 2020-04-30 2020-08-04 杨九妹 大数据金融安防系统行人行为分析方法、系统及机器人
CN113762228A (zh) * 2021-11-09 2021-12-07 南京惠积信息科技有限公司 口腔器械消毒灭菌操作监控方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533527A (zh) * 2009-04-18 2009-09-16 大连大学 基于时空搜索数据处理的光学运动捕捉数据处理方法
CN101782968A (zh) * 2010-02-03 2010-07-21 北京航空航天大学 基于测地模型的人体骨骼提取和朝向判定方法
CN103500324A (zh) * 2013-09-29 2014-01-08 重庆科技学院 基于视频监控的暴力行为识别方法
CN107506734A (zh) * 2017-08-28 2017-12-22 中国民航大学 一种群体突发异常事件检测与定位方法
CN107777498A (zh) * 2017-11-20 2018-03-09 江苏省特种设备安全监督检验研究院 一种电梯轿厢内暴力行为检测方法
CN108065915A (zh) * 2017-11-01 2018-05-25 杭州远舟医疗科技有限公司 基于红外的体质辨识方法、电子设备、存储介质及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533527A (zh) * 2009-04-18 2009-09-16 大连大学 基于时空搜索数据处理的光学运动捕捉数据处理方法
CN101782968A (zh) * 2010-02-03 2010-07-21 北京航空航天大学 基于测地模型的人体骨骼提取和朝向判定方法
CN103500324A (zh) * 2013-09-29 2014-01-08 重庆科技学院 基于视频监控的暴力行为识别方法
CN107506734A (zh) * 2017-08-28 2017-12-22 中国民航大学 一种群体突发异常事件检测与定位方法
CN108065915A (zh) * 2017-11-01 2018-05-25 杭州远舟医疗科技有限公司 基于红外的体质辨识方法、电子设备、存储介质及系统
CN107777498A (zh) * 2017-11-20 2018-03-09 江苏省特种设备安全监督检验研究院 一种电梯轿厢内暴力行为检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TAL HASSNER等: "Violent Flows: Real-Time Detection of Violent Crowd Behavior", 《2012 IEEE COMPUTER SOCIETY CNFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 *
苏育挺等: "基于层级化特征的人体动作识别", 《信息技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784253A (zh) * 2019-01-04 2019-05-21 上海钧正网络科技有限公司 一种单车用户异常行为的检测方法
CN111488858A (zh) * 2020-04-30 2020-08-04 杨九妹 大数据金融安防系统行人行为分析方法、系统及机器人
CN113762228A (zh) * 2021-11-09 2021-12-07 南京惠积信息科技有限公司 口腔器械消毒灭菌操作监控方法及装置
CN113762228B (zh) * 2021-11-09 2022-02-22 南京惠积信息科技有限公司 口腔器械消毒灭菌操作监控方法及装置

Similar Documents

Publication Publication Date Title
CN102542492B (zh) 视觉广告效果评估系统及方法
CN104463117B (zh) 一种基于视频方式的人脸识别样本采集方法及系统
CN106128022B (zh) 一种智慧金睛识别暴力动作报警方法
CN108875712A (zh) 一种基于ViF描述符的暴力行为检测系统及方法
KR102149832B1 (ko) 딥러닝 기반의 자동 폭력 감지 시스템
Babic et al. Pollen bearing honey bee detection in hive entrance video recorded by remote embedded system for pollination monitoring
CN111091098B (zh) 检测模型的训练方法、检测方法及相关装置
CN111047818A (zh) 一种基于视频图像的森林火灾预警系统
CN110188644A (zh) 一种基于视觉分析的扶梯乘客危险行为监控系统及方法
CN103902966B (zh) 基于序列时空立方体特征的视频交互事件分析方法及装置
CN107194396A (zh) 国土资源视频监控系统中基于特定违章建筑识别预警方法
CN109918971A (zh) 监控视频中人数检测方法及装置
CN113963315A (zh) 一种复杂场景下实时视频多人行为识别方法及系统
Arif et al. Counting of people in the extremely dense crowd using genetic algorithm and blobs counting
Gupta et al. CrowdVAS-Net: A deep-CNN based framework to detect abnormal crowd-motion behavior in videos for predicting crowd disaster
CN111582122A (zh) 一种监控视频多维度行人行为智能分析系统及方法
CN109117771A (zh) 一种基于锚节点的图像中暴力事件检测系统及方法
CN107330414A (zh) 暴力行为监控方法
CN109086717A (zh) 基于人体骨架和运动信号特征的暴力行为检测系统及方法
CN110245592A (zh) 一种用于提升监控场景的行人重识别率的方法
CN103514429A (zh) 检测对象的特定部位的方法及图像处理设备
AU2018201707A1 (en) Video analysis method and system for detecting material on conveyor belt
US10956741B2 (en) System for automatic monitoring of birds and related method of use
CN116311499A (zh) 一种安全设备穿戴检测方法及装置
CN114724002A (zh) 一种快速检测违禁品的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123