CN112287754A - 一种基于神经网络的暴力检测方法、装置、设备及介质 - Google Patents
一种基于神经网络的暴力检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112287754A CN112287754A CN202011010026.6A CN202011010026A CN112287754A CN 112287754 A CN112287754 A CN 112287754A CN 202011010026 A CN202011010026 A CN 202011010026A CN 112287754 A CN112287754 A CN 112287754A
- Authority
- CN
- China
- Prior art keywords
- video
- violence detection
- detection model
- violence
- layers
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010001488 Aggression Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种基于神经网络的暴力检测方法、装置、设备及介质,包括:将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级;根据所述安全等级判断所述待检测视频是否为暴力事件;若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。本说明书实施例提出了一种暴力检测模型,将该模型部署到云平台,可以提供暴力检测,并确定出安全等级,便于通知监测人员,使得暴力事件得到快速的解决,有利于社会的安定。此外,本说明书实施例为了更好进行暴力检测,使用视频作为输入的数据,也就是对视频进行检测,而不是针对图片,这样就能更好的利用视频的序列信息,可以极大的提高暴力检测模型的准确率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于神经网络的暴力检测方法、装置、设备及介质。
背景技术
在公共场所,暴力行为可能为人民生命和财产安全带来极大威胁,是破坏社会稳定和谐的一个重要影响因素。由于近年来监控摄像头的广泛部署,通过使用计算机视觉技术捕获、识别和分析监控摄像头中的视频流以实现暴力检测成为可能。然而现有的暴力检测方法存在准确率较低的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于神经网络的暴力检测方法、装置、设备及介质,用于解决现有的暴力检测方法存在准确率较低的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种基于神经网络的暴力检测方法,所述方法包括:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
需要说明的是,本说明书实施例提出了一种暴力检测模型,将该模型部署到云平台,可以提供暴力检测,并确定出安全等级,便于通知监测人员,使得暴力事件得到快速的解决,有利于社会的安定。此外,本说明书实施例为了更好进行暴力检测,使用视频作为输入的数据,也就是对视频进行检测,而不是针对图片,这样就能更好的利用视频的序列信息,可以极大的提高暴力检测模型的准确率。
进一步的,所述将待检测的视频发送至预先部署在云平台的暴力检测模型之前,所述方法还包括:
在预设的数据集中获取多个有关暴力事件的视频与多个无暴力事件的视频,通过所述截取视屏的工具截取出多张预设尺寸的图片,根据图片中的行为对各个视频标记安全等级,构成暴力检测的数据集;
建立初始的暴力检测模型;
根据所述暴力检测的数据集训练所述初始的暴力检测模型,得到符合条件的暴力检测模型,并将所述符合条件的暴力检测模型部署到云平台。
进一步的,所述初始的暴力检测模型训练时,批尺寸设置为64-70。
需要说明的是,由于只有一个GPU,显存大小有限,经过测试,批尺寸设置为64-70时,更有利于暴力检测模型的训练。
进一步的,所述初始的暴力检测模型训练时,损失函数为交叉熵函数和L2正则化函数。
需要说明的是,由于本说明书实施例是一个多分类的问题,所以可以使用交叉熵这种损失函数,而不是使用其他损失函数。为了使模型具有更好的泛化能力,可以使用L2正则化进行权重的约束,这样可以使得模型复杂度降低,减小过拟合的问题。因此,损失函数可以应用交叉熵损失与L2正则化。
进一步的,所述暴力检测模型是基于3D的CNN网络模型与3D的RNN网络模型构建,其中,
所述CNN网络模型用于提取图片的空间特征;
所述RNN网络模型用于提取图片的时序特征。
需要说明的是,3D的CNN与3D的RNN主要运用在视频分类、动作识别等领域,它是在2D的CNN与2D的RNN的基础上改变而来。由于2D的CNN与2D的RNN不能很好的捕获时序上的信息,因此采用3D的CNN与3D的RNN,这样就能将视频中时序信息进行很好的利用,可以极大的提高暴力检测模型的准确率。
进一步的,所述安全等级根据涉案的人数、涉案的环境、涉案人的年龄中的一种或多种,划分出多个等级。
需要说明的,本说明书实施例根据涉案的人数、涉案的环境、涉案人的年龄划分等级,可以使得暴力事件得到快速的解决。
进一步的,所述暴力检测模型具体包括:
数据输入层、64个3*3*3卷积核、128个3*3*3卷积核、1*2*2的最大池化层、128个3*3*3卷积核、2*2*2的最大池化层、256个3*3*3个卷积核、256个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、4096个全连接层、4096个全连接层与数据输出层,其中,所述数据输出层为基于所述安全等级的softmax。
本申请实施例还提供一种基于神经网络的暴力检测装置,所述装置包括:
输入单元,用于将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
判别单元,用于根据所述安全等级判断所述待检测视频是否为暴力事件;
警告单元,用于若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
本申请实施例还提供一种基于神经网络的暴力检测设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
本申请实施例还提供一种基于神经网络的暴力检测介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例提出了一种暴力检测模型,将该模型部署到云平台,可以提供暴力检测,并确定出安全等级,便于通知监测人员,使得暴力事件得到快速的解决,有利于社会的安定。此外,本说明书实施例为了更好进行暴力检测,使用视频作为输入的数据,也就是对视频进行检测,而不是针对图片,这样就能更好的利用视频的序列信息,可以极大的提高暴力检测模型的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种基于神经网络的暴力检测方法的流程示意图;
图2为本说明书实施例二提供的一种基于神经网络的暴力检测方法的流程示意图;
图3为本说明书实施例提供的Relu激活函数的图像示意图;
图4为本说明书实施例三提供的一种基于神经网络的暴力检测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种基于神经网络的暴力检测方法的流程示意图,本说明书实施例可以由暴力检测系统的执行单元执行下述步骤,具体可以包括:
步骤S101,将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级。
在本说明书实施例的步骤S101中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层。截取视频的工具可以为FFmpeg。使用FFmpeg工具,对视频截取成一帧一帧的图片,可以使用每个视频前16帧图片作为一个样本sample。其中,FFmpeg是一套可以用来记录、转换数字音频、视频,并能将其转化为流的开源计算机程序。采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案。
进一步的,在本说明书实施例的步骤S101中,暴力检测模型是基于3D的CNN网络模型与3D的RNN网络模型构建,其中,
所述CNN网络模型用于提取图片的空间特征;
所述RNN网络模型用于提取图片的时序特征。
需要说明的是,3D的CNN与3D的RNN主要运用在视频分类、动作识别等领域,它是在2D的CNN与2D的RNN的基础上改变而来。由于2D的CNN与2D的RNN不能很好的捕获时序上的信息,因此采用3D的CNN与3D的RNN,这样就能将视频中时序信息进行很好的利用,可以极大的提高暴力检测模型的准确率。
进一步的,在本说明书实施例的步骤S101中,安全等级可以根据涉案的人数、涉案的环境、涉案人的年龄中的一种或多种,划分出多个等级,安全等级最低时为安全。比如,根据涉案的人数、涉案的环境、涉案人的年龄,可以划分出五个等级。
进一步的,在本说明书实施例的步骤S101中,暴力检测模型具体包括:
数据输入层、64个3*3*3卷积核、128个3*3*3卷积核、1*2*2的最大池化层、128个3*3*3卷积核、2*2*2的最大池化层、256个3*3*3个卷积核、256个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、4096个全连接层、4096个全连接层与数据输出层,其中,所述数据输出层为基于所述安全等级的softmax,比如,安全等级为五个等级,数据输出层为五分类的softmax。
步骤S102,根据所述安全等级判断所述待检测视频是否为暴力事件。
步骤S103,若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
在本说明书实施例的步骤S103中,监控人员可根据安全等级派出不同的处理人员进行处理,可以极大的提高暴力事件的处理效率。
需要说明的是,本说明书实施例提出了一种暴力检测模型,将该模型部署到云平台,可以提供暴力检测,并确定出安全等级,便于通知监测人员,使得暴力事件得到快速的解决,有利于社会的安定。此外,本说明书实施例为了更好进行暴力检测,使用视频作为输入的数据,也就是对视频进行检测,而不是针对图片,这样就能更好的利用视频的序列信息,可以极大的提高暴力检测模型的准确率。
与本说明书实施例一相对应的是,图2为本说明书实施例二提供的一种基于神经网络的暴力检测方法的流程示意图,本说明书实施例可以由暴力检测系统的执行单元执行下述步骤,具体可以包括:
步骤S201,在预设的数据集中获取多个有关暴力事件的视频与多个无暴力事件的视频,通过所述截取视屏的工具截取出多张预设尺寸的图片,根据图片中的行为对各个视频标记安全等级,构成暴力检测的数据集。
预设的数据集为Kaggle数据集。Kaggle数据集是Kaggle竞赛上提供的数据集,该数据集数据质量高,具有很高的认可性,在改数据集上表现良好,使得训练出的模型具有很高的普适性。
步骤S202,建立初始的暴力检测模型。
步骤S203,根据所述暴力检测的数据集训练所述初始的暴力检测模型,得到符合条件的暴力检测模型,并将所述符合条件的暴力检测模型部署到云平台。
在本说明书实施例的步骤S203中,暴力检测模型中的池化层,皆可以设置为下采样1/2的操作,使得图像符合显示区域的大小,同时,可以生成对应图像的缩略图。
在本说明书实施例的步骤S203中,初始的暴力检测模型训练时,批尺寸(Batchsize)可以设置为64-70。由于只有一个GPU,显存大小有限,经过测试,批尺寸设置为64-70时,更有利于暴力检测模型的训练。通过多次实现效果,发现当batchsize设置为64时,模型的精度最好。batchsize设置为64时,模型具体输入为64*16*112*112*3的张量,112*112*3表示每张图片的大小。
在本说明书实施例的步骤S203中,初始的暴力检测模型训练时,损失函数为交叉熵函数和L2正则化函数。由于本说明书实施例是一个多分类的问题,所以可以使用交叉熵这种损失函数,而不是使用其他损失函数。为了使模型具有更好的泛化能力,可以使用L2正则化进行权重的约束,这样可以使得模型复杂度降低,减小过拟合的问题。因此,损失函数可以应用交叉熵损失与L2正则化。
在本说明书实施例的步骤S203中,初始的暴力检测模型训练时,可以使用adam优化函数进行模型的优化。
在本说明书实施例的步骤S203中,初始的暴力检测模型训练时,卷积中的所有padding方式为same,使得输入图片大小和输出图片大小一致。
在本说明书实施例的步骤S203中,初始的暴力检测模型训练时,激活函数可以为relu函数。Relu激活函数的数学表达式为:max(0,Z),Relu激活函数的图像参见图3。该函数又叫做线性整流函数,相比较于Sigmoid、tanh等激活函数,该函数可以防止梯度弥散,当Z>0时,梯度为1,在反向传播过程中,可以减轻了梯度弥散的问题。此外,该函数可以加快训练速度,正向传播过程中,sigmoid和tanh函数包含指数计算,但是Relu只是和阈值进行比较,可以加快计算的速度。
步骤S204,将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级。
在本说明书实施例的步骤S204中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层。截取视频的工具可以为FFmpeg。其中,FFmpeg是一套可以用来记录、转换数字音频、视频,并能将其转化为流的开源计算机程序。采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案。
进一步的,在本说明书实施例的步骤S204中,暴力检测模型是基于3D的CNN网络模型与3D的RNN网络模型构建,其中,
所述CNN网络模型用于提取图片的空间特征;
所述RNN网络模型用于提取图片的时序特征。
需要说明的是,3D的CNN与3D的RNN主要运用在视频分类、动作识别等领域,它是在2D的CNN与2D的RNN的基础上改变而来。由于2D的CNN与2D的RNN不能很好的捕获时序上的信息,因此采用3D的CNN与3D的RNN,这样就能将视频中时序信息进行很好的利用,可以极大的提高暴力检测模型的准确率。
进一步的,在本说明书实施例的步骤S204中,安全等级可以根据涉案的人数、涉案的环境、涉案人的年龄中的一种或多种,划分出多个等级,安全等级最低时为安全。比如,根据涉案的人数、涉案的环境、涉案人的年龄,可以划分出五个等级。
进一步的,在本说明书实施例的步骤S204中,暴力检测模型具体包括:
数据输入层、64个3*3*3卷积核、128个3*3*3卷积核、1*2*2的最大池化层、128个3*3*3卷积核、2*2*2的最大池化层、256个3*3*3个卷积核、256个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、4096个全连接层、4096个全连接层与数据输出层,其中,所述数据输出层为基于所述安全等级的softmax,比如,安全等级为五个等级,数据输出层为五分类的softmax。
进一步的,在两个全连接层之后,可以分别接上一个dropout层,这样可以防止过拟合。
步骤S205,根据所述安全等级判断所述待检测视频是否为暴力事件。
步骤S206,若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
在本说明书实施例的步骤S206中,监控人员可根据安全等级派出不同的处理人员进行处理,可以极大的提高暴力事件的处理效率。
需要说明的是,本说明书实施例提出了一种暴力检测模型,将该模型部署到云平台,可以提供暴力检测,并确定出安全等级,便于通知监测人员,使得暴力事件得到快速的解决,有利于社会的安定。此外,本说明书实施例为了更好进行暴力检测,使用视频作为输入的数据,也就是对视频进行检测,而不是针对图片,这样就能更好的利用视频的序列信息,可以极大的提高暴力检测模型的准确率。
与本说明书实施例二相对应的是,图4为本说明书实施例三提供的一种基于神经网络的暴力检测装置的结构示意图,所述装置包括:输入单元1、判别单元2与警告单元3
输入单元1用于将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
判别单元2用于根据所述安全等级判断所述待检测视频是否为暴力事件;
警告单元3用于若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
本申请实施例还提供一种基于神经网络的暴力检测设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
本申请实施例还提供一种基于神经网络的暴力检测介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于神经网络的暴力检测方法,其特征在于,所述方法包括:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
2.根据权利要求1所述的基于神经网络的暴力检测方法,其特征在于,所述将待检测的视频发送至预先部署在云平台的暴力检测模型之前,所述方法还包括:
在预设的数据集中获取多个有关暴力事件的视频与多个无暴力事件的视频,通过所述截取视屏的工具截取出多张预设尺寸的图片,根据图片中的行为对各个视频标记安全等级,构成暴力检测的数据集;
建立初始的暴力检测模型;
根据所述暴力检测的数据集训练所述初始的暴力检测模型,得到符合条件的暴力检测模型,并将所述符合条件的暴力检测模型部署到云平台。
3.根据权利要求2所述的基于神经网络的暴力检测方法,其特征在于,所述初始的暴力检测模型训练时,批尺寸设置为64-70。
4.根据权利要求2所述的基于神经网络的暴力检测方法,其特征在于,所述初始的暴力检测模型训练时,损失函数为交叉熵函数和L2正则化函数。
5.根据权利要求1所述的基于神经网络的暴力检测方法,其特征在于,所述暴力检测模型是基于3D的CNN网络模型与3D的RNN网络模型构建,其中,
所述CNN网络模型用于提取图片的空间特征;
所述RNN网络模型用于提取图片的时序特征。
6.根据权利要求1所述的基于神经网络的暴力检测方法,其特征在于,所述安全等级根据涉案的人数、涉案的环境、涉案人的年龄中的一种或多种,划分出多个等级。
7.根据权利要求1所述的基于神经网络的暴力检测方法,其特征在于,所述暴力检测模型具体包括:
数据输入层、64个3*3*3卷积核、128个3*3*3卷积核、1*2*2的最大池化层、128个3*3*3卷积核、2*2*2的最大池化层、256个3*3*3个卷积核、256个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、512个3*3*3个卷积核、512个3*3*3个卷积核、2*2*2的最大池化层、4096个全连接层、4096个全连接层与数据输出层,其中,所述数据输出层为基于所述安全等级的softmax。
8.一种基于神经网络的暴力检测装置,其特征在于,所述装置包括:
输入单元,用于将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
判别单元,用于根据所述安全等级判断所述待检测视频是否为暴力事件;
警告单元,用于若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
9.一种基于神经网络的暴力检测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
10.一种基于神经网络的暴力检测介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将待检测的视频发送至预先部署在云平台的暴力检测模型,确定出安全等级,其中,所述暴力检测模型包括截取视频的工具、多个卷积层、多个池化层以及多个全连接层;
根据所述安全等级判断所述待检测视频是否为暴力事件;
若确定出所述待检测视频含有暴力事件,根据所述安全等级发出对应的警告信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010026.6A CN112287754A (zh) | 2020-09-23 | 2020-09-23 | 一种基于神经网络的暴力检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010026.6A CN112287754A (zh) | 2020-09-23 | 2020-09-23 | 一种基于神经网络的暴力检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287754A true CN112287754A (zh) | 2021-01-29 |
Family
ID=74421543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010026.6A Pending CN112287754A (zh) | 2020-09-23 | 2020-09-23 | 一种基于神经网络的暴力检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287754A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106909938A (zh) * | 2017-02-16 | 2017-06-30 | 青岛科技大学 | 基于深度学习网络的视角无关性行为识别方法 |
CN107066559A (zh) * | 2017-03-30 | 2017-08-18 | 天津大学 | 一种基于深度学习的三维模型检索方法 |
CN107566903A (zh) * | 2017-09-11 | 2018-01-09 | 北京匠数科技有限公司 | 一种视频过滤设备及方法、视频显示系统 |
CN107590432A (zh) * | 2017-07-27 | 2018-01-16 | 北京联合大学 | 一种基于循环三维卷积神经网络的手势识别方法 |
CN107829649A (zh) * | 2017-12-15 | 2018-03-23 | 苏州德特尼罗电子科技有限公司 | 一种防止移动的安防用保险柜 |
CN108834147A (zh) * | 2018-08-21 | 2018-11-16 | 中国平安人寿保险股份有限公司 | 检验WiFi密码安全性方法、装置、计算机设备以及存储介质 |
CN109040674A (zh) * | 2018-07-23 | 2018-12-18 | 华为技术有限公司 | 一种数据传输方法和装置 |
CN109145822A (zh) * | 2018-08-22 | 2019-01-04 | 佛山铮荣科技有限公司 | 一种深度学习的暴力检测系统 |
CN109670446A (zh) * | 2018-12-20 | 2019-04-23 | 泉州装备制造研究所 | 基于线性动态系统和深度网络的异常行为检测方法 |
CN110008978A (zh) * | 2017-12-07 | 2019-07-12 | 亿目朗欧洲股份有限公司 | 危险分级训练方法、危险分级方法、辅助或自动车辆驾驶系统 |
CN209928279U (zh) * | 2018-04-25 | 2020-01-10 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统及智能车辆 |
CN111126115A (zh) * | 2018-11-01 | 2020-05-08 | 顺丰科技有限公司 | 暴力分拣行为识别方法和装置 |
CN111144291A (zh) * | 2019-12-25 | 2020-05-12 | 中铁信(北京)网络技术研究院有限公司 | 基于目标检测的视频监控区域人员入侵判别方法及装置 |
-
2020
- 2020-09-23 CN CN202011010026.6A patent/CN112287754A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106909938A (zh) * | 2017-02-16 | 2017-06-30 | 青岛科技大学 | 基于深度学习网络的视角无关性行为识别方法 |
CN107066559A (zh) * | 2017-03-30 | 2017-08-18 | 天津大学 | 一种基于深度学习的三维模型检索方法 |
CN107590432A (zh) * | 2017-07-27 | 2018-01-16 | 北京联合大学 | 一种基于循环三维卷积神经网络的手势识别方法 |
CN107566903A (zh) * | 2017-09-11 | 2018-01-09 | 北京匠数科技有限公司 | 一种视频过滤设备及方法、视频显示系统 |
CN110008978A (zh) * | 2017-12-07 | 2019-07-12 | 亿目朗欧洲股份有限公司 | 危险分级训练方法、危险分级方法、辅助或自动车辆驾驶系统 |
CN107829649A (zh) * | 2017-12-15 | 2018-03-23 | 苏州德特尼罗电子科技有限公司 | 一种防止移动的安防用保险柜 |
CN209928279U (zh) * | 2018-04-25 | 2020-01-10 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统及智能车辆 |
CN109040674A (zh) * | 2018-07-23 | 2018-12-18 | 华为技术有限公司 | 一种数据传输方法和装置 |
CN108834147A (zh) * | 2018-08-21 | 2018-11-16 | 中国平安人寿保险股份有限公司 | 检验WiFi密码安全性方法、装置、计算机设备以及存储介质 |
CN109145822A (zh) * | 2018-08-22 | 2019-01-04 | 佛山铮荣科技有限公司 | 一种深度学习的暴力检测系统 |
CN111126115A (zh) * | 2018-11-01 | 2020-05-08 | 顺丰科技有限公司 | 暴力分拣行为识别方法和装置 |
CN109670446A (zh) * | 2018-12-20 | 2019-04-23 | 泉州装备制造研究所 | 基于线性动态系统和深度网络的异常行为检测方法 |
CN111144291A (zh) * | 2019-12-25 | 2020-05-12 | 中铁信(北京)网络技术研究院有限公司 | 基于目标检测的视频监控区域人员入侵判别方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈煜平等: "基于视觉的人体行为识别算法研究综述", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740670B (zh) | 视频分类的方法及装置 | |
CN112800997B (zh) | 一种活体检测方法、装置及设备 | |
Korayem et al. | Enhancing lifelogging privacy by detecting screens | |
GB2554435B (en) | Image processing | |
US20180114071A1 (en) | Method for analysing media content | |
CN110139169B (zh) | 视频流的质量评估方法及其装置、视频拍摄系统 | |
CN116097322A (zh) | 基于关键点检测的计算机自动交互活动识别 | |
CN115830690A (zh) | 一种交通图像脱敏方法及设备 | |
CN109492401B (zh) | 一种内容载体风险检测方法、装置、设备及介质 | |
Kaliappan et al. | Intelligent video surveillance using enhanced deep belief based multilayered convolution neural network classification techniques | |
CN117541963A (zh) | 包含文本风险的关键视频帧提取方法及装置 | |
CN117315752A (zh) | 人脸情绪识别网络模型的训练方法、装置、设备和介质 | |
CN112287754A (zh) | 一种基于神经网络的暴力检测方法、装置、设备及介质 | |
Diwate et al. | Optimization in object detection model using YOLO. v3 | |
Mediavilla et al. | Detecting aerial objects: drones, birds, and helicopters | |
CN113569873B (zh) | 一种图像的处理方法、装置及设备 | |
CN113610021A (zh) | 视频分类方法及装置、电子设备及计算机可读存储介质 | |
Wang et al. | A lightweight CNN model based on GhostNet | |
CN108804981B (zh) | 基于长时间视频序列背景建模框架的运动目标检测方法 | |
CN111652052A (zh) | 一种疫情防控方法、设备及介质 | |
CN111652053A (zh) | 一种员工考勤方法、设备及介质 | |
Sharma et al. | An effective video surveillance framework for ragging/violence recognition | |
Xue et al. | ISD-SSD: image splicing detection by using modified single shot MultiBox detector | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
Bondugula et al. | Two-Stage Training for Improved Classification of Poorly Localized Object Images |
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: 20210129 |