CN110274590A - 一种基于决策树的暴力动作检测方法及系统 - Google Patents
一种基于决策树的暴力动作检测方法及系统 Download PDFInfo
- Publication number
- CN110274590A CN110274590A CN201910610835.1A CN201910610835A CN110274590A CN 110274590 A CN110274590 A CN 110274590A CN 201910610835 A CN201910610835 A CN 201910610835A CN 110274590 A CN110274590 A CN 110274590A
- Authority
- CN
- China
- Prior art keywords
- axis
- acceleration
- value
- peak value
- violent action
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
一种基于决策树的暴力动作检测方法及系统,涉及一种暴力动作检测方法,属于模式识别领域。本发明是为了解决目前的暴力检测方法存在效果不理想的问题。本发明所述方法,利用集成三轴加速度计和三轴陀螺仪的集成运动传感器采集数据,提取特征:x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;根据提取的特征建立暴力动作检测决策树分类器,进行暴力动作检测。主要用途暴力检测。
Description
技术领域
本发明涉及一种暴力动作检测方法,属于模式识别领域。
背景技术
包括校园霸凌在内的一些霸凌现象成为一种比较常见的社会现象,其中校园霸凌多发生在中小学生群体中。暴力是霸凌的一种表现形式,是施暴者对受害者施加的暴力动作,伤害受害者身体的同时,也对受害者造成心灵上的伤害。校园暴力被普遍认为是校园霸凌中对受害者伤害最大的一种表现形式,鉴于目前校园霸凌愈演愈烈的趋势,校园霸凌的防治迫在眉睫。
但是目前的暴力检测方法并不能很好的及时发现并报警,并且其使用场景也收到极大的限制,从而并不能取得良好的暴力检测效果。
发明内容
本发明是为了解决目前的暴力检测方法存在效果不理想的问题。进而提出了一种基于决策树的暴力动作检测方法及系统。
一种基于决策树的暴力动作检测方法,利用集成三轴加速度计和三轴陀螺仪的集成运动传感器采集数据,提取特征:x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比;第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值;所述窗口为一定时长的采集数据;
根据提取的特征建立暴力动作检测决策树分类器,进行暴力动作检测。
优选地,所述窗口对应的采集数据时长为5秒。
进一步地,所述建立暴力动作检测决策树分类器的过程包括以下步骤;
s1、在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面;
所述集成运动传感器包括三轴加速度计和三轴陀螺仪;
s2、利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,以用户所做动作的时间段为中心,截取T1时长的线加速度和角速度数据片段,作为窗口,利用二阶巴特沃斯滤波器滤除信号中的高频部分;
s3、对所截取并滤波后的数据,提取如下特征:
x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比;第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值;
s4、根据采集数据对应的标签(对应是否为遭受暴力动作),设计分类器:
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2;
y轴加速度积分≤第三阈值n3;
y轴加速度均值≥第四阈值n4;
当满足以上判决条件时,判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5;
三轴合加速度标准差≥第六阈值n6;
x轴加速度最大值≥第七阈值n7;
三轴合加速度最大值≥第八阈值n8;
y轴加速度最大值≥第九阈值n9;
三轴合加速度极大值比值≥第十阈值n10;
当满足以上判决条件时,判定为暴力动作;
s5、在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面;
s6、利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,以T2时长滑动窗截取数据,每次滑动T3时长;利用二阶巴特沃斯滤波器滤除信号中的高频部分;
s7、对步骤s6所截取并滤波后的数据,按照步骤s3提取特征;对步骤s4的分类器进行验证,将输出结果与对应的标签对比;
如果准确率不满足准确率要求,重新调整第一阈值至第十阈值,返回步骤s4进行训练;直到得到满足准确率要求的基于决策树的暴力动作检测模型。
优选地,步骤s2所述利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据的采样周期0.025s。
优选地,步骤s2所述T1为5秒。
优选地,步骤s6所述利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据的采样周期0.025s。
优选地,步骤s6所述T2等于T1。
优选地,步骤s6所述以T2时长滑动窗截取数据,每次滑动2.5秒,即T3=2.5s。
一种基于决策树的暴力动作检测系统,包括一个暴力动作检测决策树分类器,所述分类器包括一个站立姿态下的暴力动作检测决策树,和/或,一个推倒和击倒的暴力动作检测决策树;具体如下:
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2;
y轴加速度积分≤第三阈值n3;
y轴加速度均值≥第四阈值n4;
当满足以上判决条件时,判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5;
三轴合加速度标准差≥第六阈值n6;
x轴加速度最大值≥第七阈值n7;
三轴合加速度最大值≥第八阈值n8;
y轴加速度最大值≥第九阈值n9;
三轴合加速度极大值比值≥第十阈值n10;
当满足判决条件时,判定为暴力动作。
优选地,所述第一阈值n1=3600°;所述第二阈值n2=0.269g米/秒;所述第三阈值n3=0.192g米/秒;所述第四阈值n4=0.7g米/秒2。其中g为当地重力加速度值。
优选地,所述n5=13.2065;所述第六阈值n6=13.4851;所述第七阈值n7=35.7061米/秒2;所述第八阈值n8=37.2987米/秒2;所述第九阈值n9=1.4808米/秒2;所述第十阈值n10=0.7561。
进一步地,所述一种基于决策树的暴力动作检测系统,还包括一个二阶巴特沃斯滤波器,用于滤除信号中的高频部分。
进一步地,所述一种基于决策树的暴力动作检测系统,还包括一个数据采集模块,用于获取集成运动传感器采集的数据。
有益效果:
1.本发明能够有效识别暴力动作,并能够准确的将用户收到暴力检测的动作与日常动作区分开。本发明具有非常好的检测准确率,最终识别准确率为暴力动作识别准确率86.67%,非暴力动作识别准确率87.50%。
2.本发明的应用平台为智能手机平台或其他带有三轴加速度计和三轴陀螺仪的便携设备,在不改变原有硬件设备的基础上,运行暴力检测算法,应用成本低。
3.本发明的应用平台为智能手机平台或其他带有三轴加速度计和三轴陀螺仪的便携设备,使用者便于携带,无需固定设施,不限制使用场景,所以本发明不会收到场地和环境等限制,极有更加广泛的适用范围。
附图说明
图1为运动传感器的y轴方向示意图。
具体实施方式
具体实施方式一:
本实施方式为一种基于决策树的暴力动作检测方法,包括以下步骤:
1、训练过程:
1.1、数据采集前准备:
在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面,运动传感器的y轴方向见附图1,图1中集成运动传感器直接利用手机即可,手机内置集成运动传感器;用摄像机录制用户的动作。
所述集成运动传感器包括三轴加速度计和三轴陀螺仪;
1.2、数据采集与预处理:
利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,采样周期0.025s,对照摄像机录制的视频,以用户所做动作的时间段为中心,截取5s长的线加速度和角速度数据片段,作为窗口,利用二阶巴特沃斯滤波器滤除信号中的高频部分。
1.3、特征提取:
对所截取并滤波后的数据,提取x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比;第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值。
1.4、分类器设计:
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1,n1=3600°;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2,n2=0.269g(m/s);
y轴加速度积分≤第三阈值n3,n3=0.192g(m/s);
y轴加速度均值≥第四阈值n4,n4=0.7g(m/s2);
其中g为当地重力加速度值;
当满足以上判决条件时,将动作判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5,n5=13.2065;
三轴合加速度标准差≥第六阈值n6,n6=13.4851;
x轴加速度最大值≥第七阈值n7,n7=35.7061(m/s2);
三轴合加速度最大值≥第八阈值n8,n8=37.2987(m/s2);
y轴加速度最大值≥第九阈值n9,n9=1.4808(m/s2);
三轴合加速度极大值比值≥第十阈值n10,n10=0.7561;
当满足以上判决条件时,将动作判定为暴力动作。
上述两个判决条件,只要满足一个判决条件就已经将动作判定为暴力动作,所以上述两个判决条件只要满足一个即可输出判定结果。
2、测试过程:
2.1、数据采集前准备:
在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面,运动传感器的y轴方向见附图1;用摄像机录制用户的动作。
2.2、数据采集与预处理:
利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,采样周期0.025s,以5s长滑动窗截取数据,每次滑动2.5s。利用二阶巴特沃斯滤波器滤除信号中的高频部分。
2.3、特征提取:
对所截取并滤波后的数据,提取x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比,第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值。
2.4、分类器验证:
将窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征送入站立姿态下的暴力动作检测决策树;
将x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征送入推倒和击倒的暴力动作检测决策树;
将输出结果(暴力还是非暴力)与所录制视频动作对比,观察其识别准确率。
如果准确率不满足准确率要求,重新调整第一阈值至第十阈值,返回步骤1进行训练;直到得到满足准确率要求的基于决策树的暴力动作检测分类器。本实施方式步骤1训练过程中所述的第一阈值至第十阈值对应的确定值为最优取值,此时本实施方式具有非常好的检测准确率,最终识别准确率为暴力动作识别准确率86.67%,非暴力动作识别准确率87.50%,验证了本发明的暴力动作检测方法的有效性。
3.实际应用过程:
3.1、数据采集:
在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面,
3.2、使用过程:
利用基于决策树的暴力动作检测分类器进行暴力动作检测,当检测出暴力动作时,向指定用户发送告警消息(通过短信或互联网数据消息)。
当进行暴力检测时,提取的特征中对应的窗口为5s时长的采集数据。
为了说明本发明的有效性,进行实验说明,对应的实验条件如下:
测试平台:安卓系统智能手机。
测试参数:运动传感器采样周期25ms。
测试结果:
具体实施方式二:
本实施方式所述一种基于决策树的暴力动作检测系统,系统包括一个暴力动作检测决策树分类器,在一些实施例中,所述分类器包括一个站立姿态下的暴力动作检测决策树;在一些实施例中,所述分类器包括一个推倒和击倒的暴力动作检测决策树;在一些实施例中,所述分类器包括一个站立姿态下的暴力动作检测决策树和一个推倒和击倒的暴力动作检测决策树;
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1,优选地n1=3600°;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2,优选地n2=0.269g(m/s);
y轴加速度积分≤第三阈值n3,优选地n3=0.192g(m/s);
y轴加速度均值≥第四阈值n4,优选地n4=0.7g(m/s2);
其中g为当地重力加速度值;
当满足以上判决条件时,将动作判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5,优选地n5=13.2065;
三轴合加速度标准差≥第六阈值n6,优选地n6=13.4851;
x轴加速度最大值≥第七阈值n7,优选地n7=35.7061(m/s2);
三轴合加速度最大值≥第八阈值n8,优选地n8=37.2987(m/s2);
y轴加速度最大值≥第九阈值n9,优选地n9=1.4808(m/s2);
三轴合加速度极大值比值≥第十阈值n10,优选地n10=0.7561;
当满足以上判决条件时,将动作判定为暴力动作。
在一些实施例中,所述一种基于决策树的暴力动作检测系统,还包括一个二阶巴特沃斯滤波器,用于滤除信号中的高频部分。
在一些实施例中,所述一种基于决策树的暴力动作检测系统,还包括一个数据采集模块,用于获取集成运动传感器采集的数据。
Claims (13)
1.一种基于决策树的暴力动作检测方法,其特征在于,利用集成三轴加速度计和三轴陀螺仪的集成运动传感器采集数据,提取特征:x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比;第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值;所述窗口为一定时长的采集数据;
根据提取的特征建立暴力动作检测决策树分类器,进行暴力动作检测。
2.根据权利要求1所述的一种基于决策树的暴力动作检测方法,其特征在于,所述窗口对应的采集数据时长为5秒。
3.根据权利要求1所述的一种基于决策树的暴力动作检测方法,其特征在于,所述建立暴力动作检测决策树分类器的过程包括以下步骤;
s1、在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面;
所述集成运动传感器包括三轴加速度计和三轴陀螺仪;
s2、利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,以用户所做动作的时间段为中心,截取T1时长的线加速度和角速度数据片段,作为窗口,利用二阶巴特沃斯滤波器滤除信号中的高频部分;
s3、对所截取并滤波后的数据,提取如下特征:
x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值、窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值;
其中:极大值比值指的是第二极大值与第一极大值之比;第一个峰值和最后一个峰值所述的峰值指的是加速度x轴z轴合向量的峰值;
s4、根据采集数据对应的标签,设计分类器:
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2;
y轴加速度积分≤第三阈值n3;
y轴加速度均值≥第四阈值n4;
当满足以上判决条件时,判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5;
三轴合加速度标准差≥第六阈值n6;
x轴加速度最大值≥第七阈值n7;
三轴合加速度最大值≥第八阈值n8;
y轴加速度最大值≥第九阈值n9;
三轴合加速度极大值比值≥第十阈值n10;
当满足以上判决条件时,判定为暴力动作;
s5、在用户的腰部佩戴集成运动传感器,且保证集成运动传感器y轴垂直于地面;
s6、利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据,以T2时长滑动窗截取数据,每次滑动T3时长;利用二阶巴特沃斯滤波器滤除信号中的高频部分;
s7、对步骤s6所截取并滤波后的数据,按照步骤s3提取特征;对步骤s4的分类器进行验证,将输出结果与对应的标签对比;
如果准确率不满足准确率要求,重新调整第一阈值至第十阈值,返回步骤s4进行训练;直到得到满足准确率要求的基于决策树的暴力动作检测模型。
4.根据权利要求3所述的一种基于决策树的暴力动作检测方法,其特征在于,步骤s2所述利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据的采样周期0.025s。
5.根据权利要求3所述的一种基于决策树的暴力动作检测方法,其特征在于,步骤s2所述T1为5秒。
6.根据权利要求3所述的一种基于决策树的暴力动作检测方法,其特征在于,步骤s6所述利用三轴加速度计和三轴陀螺仪采集用户的线加速度和角速度数据的采样周期0.025s。
7.根据权利要求3、4、5或6所述的一种基于决策树的暴力动作检测方法,其特征在于,步骤s6所述T2等于T1。
8.根据权利要求7所述的一种基于决策树的暴力动作检测方法,其特征在于,步骤s6所述以T2时长滑动窗截取数据,每次滑动2.5秒,即T3=2.5s。
9.一种基于决策树的暴力动作检测系统,其特征在于,包括一个暴力动作检测决策树分类器,所述分类器包括一个站立姿态下的暴力动作检测决策树,和/或,一个推倒和击倒的暴力动作检测决策树;具体如下:
用窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分、窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分、y轴加速度积分、y轴加速度均值4个特征搭建站立姿态下的暴力动作检测决策树,对应的判决阈值和判决条件为:
窗口内第一个峰值和最后一个峰值之间x轴z轴合角速度积分≥第一阈值n1;
窗口内第一个峰值和最后一个峰值之间x轴z轴合加速度积分≥第二阈值n2;
y轴加速度积分≤第三阈值n3;
y轴加速度均值≥第四阈值n4;
当满足以上判决条件时,判定为暴力动作;
用x轴加速度标准差、三轴合加速度标准差、x轴加速度最大值、三轴合加速度最大值、y轴加速度最大值、三轴合加速度极大值比值6个特征搭建推倒和击倒的暴力动作检测决策树,对应的判决阈值和判决条件为:
x轴加速度标准差≥第五阈值n5;
三轴合加速度标准差≥第六阈值n6;
x轴加速度最大值≥第七阈值n7;
三轴合加速度最大值≥第八阈值n8;
y轴加速度最大值≥第九阈值n9;
三轴合加速度极大值比值≥第十阈值n10;
当满足判决条件时,判定为暴力动作。
10.根据权利要求9所述一种基于决策树的暴力动作检测系统,其特征在于,所述第一阈值n1=3600°;所述第二阈值n2=0.269g米/秒;所述第三阈值n3=0.192g米/秒;所述第四阈值n4=0.7g米/秒2,其中g为当地重力加速度值。
11.根据权利要求9或10所述一种基于决策树的暴力动作检测系统,其特征在于,所述n5=13.2065;所述第六阈值n6=13.4851;所述第七阈值n7=35.7061米/秒2;所述第八阈值n8=37.2987米/秒2;所述第九阈值n9=1.4808米/秒2;所述第十阈值n10=0.7561。
12.根据权利要求9所述一种基于决策树的暴力动作检测系统,其特征在于,还包括一个二阶巴特沃斯滤波器,用于滤除信号中的高频部分。
13.根据权利要求12所述一种基于决策树的暴力动作检测系统,其特征在于,还包括一个数据采集模块,用于获取集成运动传感器采集的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610835.1A CN110274590B (zh) | 2019-07-08 | 2019-07-08 | 一种基于决策树的暴力动作检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610835.1A CN110274590B (zh) | 2019-07-08 | 2019-07-08 | 一种基于决策树的暴力动作检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110274590A true CN110274590A (zh) | 2019-09-24 |
CN110274590B CN110274590B (zh) | 2022-10-28 |
Family
ID=67964111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910610835.1A Active CN110274590B (zh) | 2019-07-08 | 2019-07-08 | 一种基于决策树的暴力动作检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110274590B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5813863A (en) * | 1996-05-01 | 1998-09-29 | Sloane; Sharon R. | Interactive behavior modification system |
KR20110001172A (ko) * | 2009-06-29 | 2011-01-06 | 목포대학교산학협력단 | 움직이는 객체의 영상정보에 기반한 폭행상황 검출방법 |
CN103218608A (zh) * | 2013-04-19 | 2013-07-24 | 中国科学院自动化研究所 | 一种网络暴力视频的识别方法 |
CN104238769A (zh) * | 2014-09-05 | 2014-12-24 | 哈尔滨工业大学 | 基于三轴加速度计和陀螺仪的校园暴力检测方法 |
CN105574489A (zh) * | 2015-12-07 | 2016-05-11 | 上海交通大学 | 基于层次级联的暴力群体行为检测方法 |
CN106599914A (zh) * | 2016-12-07 | 2017-04-26 | 广东工业大学 | 一种多传感器融合的腕式跌倒检测方法及装置 |
CN106874936A (zh) * | 2017-01-17 | 2017-06-20 | 腾讯科技(上海)有限公司 | 图像传播监测方法及装置 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
US20170236407A1 (en) * | 2008-08-19 | 2017-08-17 | Digimarc Corporation | Methods and systems for content processing |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
CN107273835A (zh) * | 2017-06-07 | 2017-10-20 | 南京航空航天大学 | 基于视频分析的暴力行为智能检测方法 |
CN108229333A (zh) * | 2016-12-21 | 2018-06-29 | 安讯士有限公司 | 用于识别运动视频中的事件的方法 |
CN108596028A (zh) * | 2018-03-19 | 2018-09-28 | 昆明理工大学 | 一种基于视频录像中的异常行为检测算法 |
CN108630230A (zh) * | 2018-05-14 | 2018-10-09 | 哈尔滨工业大学 | 一种基于动作语音数据联合识别的校园霸凌检测方法 |
CN109086717A (zh) * | 2018-08-01 | 2018-12-25 | 四川电科维云信息技术有限公司 | 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 |
US20190057286A1 (en) * | 2017-08-16 | 2019-02-21 | Microsoft Technology Licensing, Llc | Crime scene analysis using machine learning |
CN109918994A (zh) * | 2019-01-09 | 2019-06-21 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
-
2019
- 2019-07-08 CN CN201910610835.1A patent/CN110274590B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5813863A (en) * | 1996-05-01 | 1998-09-29 | Sloane; Sharon R. | Interactive behavior modification system |
US20170236407A1 (en) * | 2008-08-19 | 2017-08-17 | Digimarc Corporation | Methods and systems for content processing |
KR20110001172A (ko) * | 2009-06-29 | 2011-01-06 | 목포대학교산학협력단 | 움직이는 객체의 영상정보에 기반한 폭행상황 검출방법 |
CN103218608A (zh) * | 2013-04-19 | 2013-07-24 | 中国科学院自动化研究所 | 一种网络暴力视频的识别方法 |
CN104238769A (zh) * | 2014-09-05 | 2014-12-24 | 哈尔滨工业大学 | 基于三轴加速度计和陀螺仪的校园暴力检测方法 |
CN105574489A (zh) * | 2015-12-07 | 2016-05-11 | 上海交通大学 | 基于层次级联的暴力群体行为检测方法 |
CN106599914A (zh) * | 2016-12-07 | 2017-04-26 | 广东工业大学 | 一种多传感器融合的腕式跌倒检测方法及装置 |
CN108229333A (zh) * | 2016-12-21 | 2018-06-29 | 安讯士有限公司 | 用于识别运动视频中的事件的方法 |
CN106874936A (zh) * | 2017-01-17 | 2017-06-20 | 腾讯科技(上海)有限公司 | 图像传播监测方法及装置 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
CN107273835A (zh) * | 2017-06-07 | 2017-10-20 | 南京航空航天大学 | 基于视频分析的暴力行为智能检测方法 |
US20190057286A1 (en) * | 2017-08-16 | 2019-02-21 | Microsoft Technology Licensing, Llc | Crime scene analysis using machine learning |
CN108596028A (zh) * | 2018-03-19 | 2018-09-28 | 昆明理工大学 | 一种基于视频录像中的异常行为检测算法 |
CN108630230A (zh) * | 2018-05-14 | 2018-10-09 | 哈尔滨工业大学 | 一种基于动作语音数据联合识别的校园霸凌检测方法 |
CN109086717A (zh) * | 2018-08-01 | 2018-12-25 | 四川电科维云信息技术有限公司 | 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 |
CN109918994A (zh) * | 2019-01-09 | 2019-06-21 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
Non-Patent Citations (8)
Title |
---|
LIANG YE等: "Physical Violence Detection for Preventing School Bullying", 《ADVANCES IN ARTIFICIAL INTELLIGENCE》 * |
LIANG YE等: "Physical Violence Detection with Movement Sensors", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND INTELLIGENT COMMUNICATIONS》 * |
SENURI WIJENAYAKE等: "A Decision Tree Approach to Predicting", 《SPRINGER NATURE SWITZERLANDSPRINGER NATURE SWITZERLAND》 * |
TIAN HAN等: "Emotion recognition and school violence", 《SPRINGER》 * |
YEONGJU LEE等: "Recognizing problem behaviors of children with developmental disabilities using smartwatch", 《2016 IEEE CONFERENCE ON COMPUTER COMMUNICATIONS WORKSHOPS (INFOCOM WKSHPS)》 * |
倪俊等: "基于SFV的暴力群体行为检测算法", 《信息技术》 * |
宋凯: "面向视频监控的暴力行为检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
石纪福: "基于多传感器数据融合的校园暴力检测算法", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110274590B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siirtola et al. | Ready-to-use activity recognition for smartphones | |
CN106228200B (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
CN104468981B (zh) | 一种基于智能手机平台的校园霸凌检测方法 | |
CN107007263B (zh) | 一种普适化的睡眠质量测评方法和系统 | |
CN106997452B (zh) | 活体验证方法及装置 | |
CN103927851B (zh) | 一种个人化多阈值跌倒检测方法及系统 | |
CN108280332A (zh) | 移动终端的生物特征认证识别检测方法、装置和设备 | |
CN110287825A (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN105138967B (zh) | 基于人眼区域活动状态的活体检测方法和装置 | |
Yang et al. | An accurate step detection algorithm using unconstrained smartphones | |
CN105989694A (zh) | 一种基于三轴加速度传感器的人体跌倒检测方法 | |
Siirtola et al. | User-independent human activity recognition using a mobile phone: Offline recognition vs. real-time on device recognition | |
CN106108909A (zh) | 一种人体姿态检测穿戴设备、系统及控制方法 | |
CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
CN107465814B (zh) | 一种基于手机惯性传感器的用户输入识别方法 | |
CN106971203B (zh) | 基于走路特征数据的身份识别方法 | |
CN107169334B (zh) | 用于手部可穿戴设备的基于直拳动作检测的用户认证方法 | |
CN110274590A (zh) | 一种基于决策树的暴力动作检测方法及系统 | |
CN104238769A (zh) | 基于三轴加速度计和陀螺仪的校园暴力检测方法 | |
CN113269076B (zh) | 基于分布式监控的暴力行为检测系统及检测方法 | |
Qu et al. | Human fall detection algorithm design based on sensor fusion and multi-threshold comprehensive judgment | |
CN208223542U (zh) | 一种施工现场环境监测系统 | |
CN110929766B (zh) | 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法 | |
CN109389994A (zh) | 用于智能交通系统的声源识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |