CN112836648A - 一种基于深度学习下用户行为分析模型构建及系统应用 - Google Patents
一种基于深度学习下用户行为分析模型构建及系统应用 Download PDFInfo
- Publication number
- CN112836648A CN112836648A CN202110162142.8A CN202110162142A CN112836648A CN 112836648 A CN112836648 A CN 112836648A CN 202110162142 A CN202110162142 A CN 202110162142A CN 112836648 A CN112836648 A CN 112836648A
- Authority
- CN
- China
- Prior art keywords
- behavior analysis
- deep learning
- model
- user behavior
- system application
- 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
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习下用户行为分析模型构建及系统应用。本发明将神经网络层进行分层来描述对应的样本,对得到的样本进行训练从而得到两个深度模型,分别是视频分类模型和视频行为分析模型,将所获取的视频进行分类和分析,分析视频中行为是否合规,是否有伤害,将不合规、有伤害的行为通过电视墙进行展示,方便监控人员对场馆内的情况进行及时掌握和管理,且平台采取半监督算法进行函数模型的建立,提高平台自身的学习能力。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种基于深度学习下用户行为分析模型构建及系统应用。
背景技术
健身是一种健全人的身体、增强人的体质的运动项目。随着人们对自身身体素质的重视,健身馆成为了人们休息时常去的地方之一。健身馆因无人值守,人们在内进行训练的同时,要注意自身安全,避免出现运动过度受伤或出现偷窃情况丢失物品。现有的健身馆为保障顾客的人身安全,常在室内的各个角落安装有摄像头,实时记录室内的人员活动。
现有的摄像头只具有拍摄视频记录情况的作用,将所记录的视频通过配套监控软件,将场馆内的监控展示在电视墙上,而摄像头本身并不能就所记录的视频有效的分析出当前用户的行为是否合规,是否存在危险,因此场馆内安保工作需要值班人员借助摄像头所拍摄的视频进行分析,无法做到有人与无人一样,浪费了大量的人力物力。为此,我们提出一种基于深度学习下用户行为分析模型构建及系统应用。
发明内容
本发明的目的在于提供一种基于深度学习下用户行为分析模型构建及系统应用,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习下用户行为分析模型构建及系统应用,包括以下步骤:
步骤一,构建针对视频流基于深度学习下用户行为分析模型;
步骤二,结合海康AI训练平台,应用训练模型;
步骤三,通过安防平台,进行平台调用。
优选的,所述模型构建基于深度学习算法,将通过神经网络层来描述样本,所述神经网络层分为两层,且神经网络层包括一个浅层网络和一个深度网络。
优选的,所述样本通过训练得到相应的两个深度模型,两个所述深度模型包括视频分类模型和视频行为分析模型。
优选的,所述模型构建中采用AlexNet网络进行训练分类。
优选的,所述AlexNet网络采用ReLU作为激活函数,且训练过程中采用多GPU并行训练,所述ALexNet网络计算时采用局部反应归一化。
其中x代表神经网络的参数,t代表迭代次数,为学习率,g为当前的梯度,代表动量系数,在一定程度上增加更新的稳定性,从而学习地更快,并且还有一定拜托局部最优的能力。
优选的,所述训练模型结合海康AI训练平台进行应用,且训练模型应用到每个门店摄像头上。
优选的,所述平台将每个门店摄像头接入,且对符合模型视频动态展示在电视墙。
优选的,所述平台具有大数据处理、实时计算以及机器学习的特点。
与现有技术相比,本发明的有益效果是:
1、本发明在构建模型过程中采用AlexNet网络层关键点优化参数,在局部归一化中,采用了随机梯度下降算法对相关参数进行优化,减少了因系统内存有限,训练数据太多造成的机器所受压力,因只有一batch的数据存在内存里,随机梯度下降算法实现简单,大大减少了工作量;且在随机梯度下降算法中引入了物理学中的动量,在一定程度上增加了更新的稳定性。
2、本发明在平台使用时,基于视频流分析产生的视频分类模型,视频行为分析模型成果,实现自动分析监控实时视频流,对符合模型视频即监控点动态在电视墙展示,方便监控人员进行管理。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于深度学习下用户行为分析模型构建及系统应用,包括以下步骤:
步骤一,构建针对视频流基于深度学习下用户行为分析模型;
步骤二,结合海康AI训练平台,应用训练模型;
步骤三,通过安防平台,进行平台模型调用。
所述模型构建基于深度学习算法,将通过神经网络层来描述样本,所述神经网络层分为两层,且神经网络层包括一个浅层网络和一个深度网络,通过不同的神经网络层分析得到相应的样本。
所述样本通过训练得到相应的两个深度模型,两个所述深度模型包括视频分类模型和视频行为分析模型,视频分类模型即对视频进行分类,视频行为分析模型即对视频内人员的行为进行分析,分析当前人员是否合规,是否存在危险。
所述模型构建中采用AlexNet网络进行训练分类,该网络模型前面5层为convolutional(卷积),后面3层是full-connected。输出1000*1向量,输入到1000类的softmax分类器,得到分类结果。第2,4,5卷积层的kernel(卷积核)只连接同一个GPU上的前一层的kernel map,第3层kernel则连接第2层所有kernel map(feature map)。全连接层(fully-connected)中的神经元与前一层是全连接的。Response-normalization层在1,2卷积层后。max-pooling层在所有Response-normalization层和第5卷积层后。ReLu应用于每一个卷积层和全连接层。
所述ALexNet网络采用ReLU作为激活函数,且训练过程中采用多GPU并行训练,所述ALexNet网络计算时采用局部反应归一化。
其中x代表神经网络的参数,t代表迭代次数,为学习率,g为当前的梯度,代表动量系数,引入物理学中的动量,即更新的时候在一定程度上保留之前更新的方向,同时利用当前batch的梯度微调最终的更新方向,在一定程度上增加更新的稳定性,动量的存在,使得随机梯度下降算法可以依靠先前累积的变化动量,越出局部极小点,进而改善神经网络的训练性能。
所述训练模型结合海康AI训练平台进行应用,且训练模型应用到每个门店摄像头上,对每一个摄像头所拍摄的视频进行实时记录分析。
所述平台将每个门店摄像头接入,且对符合模型视频动态展示在电视墙,便于监控人员进行管理。
所述平台具有大数据处理、实时计算以及机器学习的特点,即形成以Hadoop为大数据批量处理构架,以分布式文件系统(HDFS)、分布式计算框架(MapReduce)、分布式数据库(HBase)等功能模块为核心的完整生态系统;
采用流式计算可以直接处理运动中的连续数据流,在接受数据的同时计算数据,实现秒级相应;
在训练过程中利用小部分的标记数据,大部分的非标记数据进行训练学习,通过个体之间的行为等信息建立全局的关系图,进而在全局关系图上发现具有一定行为模式的团体。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于深度学习下用户行为分析模型构建及系统应用,包括,其特征在于,包括以下步骤:
步骤一,构建针对视频流基于深度学习下用户行为分析模型;
步骤二,结合海康AI训练平台,应用训练模型;
步骤三,通过安防平台,进行平台调用。
2.根据权利要求1所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述模型构建基于深度学习算法,将通过神经网络层来描述样本,所述神经网络层分为两层,且神经网络层包括一个浅层网络和一个深度网络。
3.根据权利要求2所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述样本通过训练得到相应的两个深度模型,两个所述深度模型包括视频分类模型和视频行为分析模型。
4.根据权利要求1所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述模型构建中采用AlexNet网络进行训练分类。
5.根据权利要求4所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述AlexNet网络采用ReLU作为激活函数,且训练过程中采用多GPU并行训练,所述ALexNet网络计算时采用局部反应归一化。
7.根据权利要求1所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述训练模型结合海康AI训练平台进行应用,且训练模型应用到每个门店摄像头上。
8.根据权利要求1所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述平台将每个门店摄像头接入,且对符合模型视频动态展示在电视墙。
9.根据权利要求1所述的一种基于深度学习下用户行为分析模型构建及系统应用,其特征在于:所述平台具有大数据处理、实时计算以及机器学习的特点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162142.8A CN112836648A (zh) | 2021-02-05 | 2021-02-05 | 一种基于深度学习下用户行为分析模型构建及系统应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162142.8A CN112836648A (zh) | 2021-02-05 | 2021-02-05 | 一种基于深度学习下用户行为分析模型构建及系统应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836648A true CN112836648A (zh) | 2021-05-25 |
Family
ID=75932472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110162142.8A Pending CN112836648A (zh) | 2021-02-05 | 2021-02-05 | 一种基于深度学习下用户行为分析模型构建及系统应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836648A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980817A (zh) * | 2017-02-27 | 2017-07-25 | 南京邮电大学 | 一种基于Caffe框架的恐怖视频识别方法 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN110175583A (zh) * | 2019-05-30 | 2019-08-27 | 重庆跃途科技有限公司 | 一种于基于视频ai的校园全域安全监控分析方法 |
CN111126193A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业(集团)有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下不安全行为人工智能识别系统 |
CN111126192A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业(集团)有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下物体状态识别系统 |
CN111723725A (zh) * | 2020-06-17 | 2020-09-29 | 徐州市五岳通信科技有限公司 | 一种基于视频ai多维分析系统 |
-
2021
- 2021-02-05 CN CN202110162142.8A patent/CN112836648A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980817A (zh) * | 2017-02-27 | 2017-07-25 | 南京邮电大学 | 一种基于Caffe框架的恐怖视频识别方法 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN110175583A (zh) * | 2019-05-30 | 2019-08-27 | 重庆跃途科技有限公司 | 一种于基于视频ai的校园全域安全监控分析方法 |
CN111126193A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业(集团)有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下不安全行为人工智能识别系统 |
CN111126192A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业(集团)有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下物体状态识别系统 |
CN111723725A (zh) * | 2020-06-17 | 2020-09-29 | 徐州市五岳通信科技有限公司 | 一种基于视频ai多维分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Lattice long short-term memory for human action recognition | |
Sindagi et al. | Prior-based domain adaptive object detection for hazy and rainy conditions | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
Singh et al. | A deeply coupled ConvNet for human activity recognition using dynamic and RGB images | |
CN107330410B (zh) | 复杂环境下基于深度学习的异常检测方法 | |
CN103745230B (zh) | 一种自适应群体异常行为分析方法 | |
CN109241834A (zh) | 一种基于隐变量的嵌入的群体行为识别方法 | |
CN112381004B (zh) | 一种基于骨架的双流自适应图卷积网络行为识别方法 | |
CN108427740B (zh) | 一种基于深度度量学习的图像情感分类与检索算法 | |
CN108960189A (zh) | 图像再识别方法、装置及电子设备 | |
CN111582654B (zh) | 基于深度循环神经网络的服务质量评价方法及其装置 | |
Xu et al. | Temporally adaptive restricted Boltzmann machine for background modeling | |
Tan et al. | Bidirectional long short-term memory with temporal dense sampling for human action recognition | |
Gao et al. | Background subtraction via 3D convolutional neural networks | |
Hu et al. | Deep learning for distinguishing computer generated images and natural images: A survey | |
CN113239866B (zh) | 一种时空特征融合与样本注意增强的人脸识别方法及系统 | |
Pouyanfar et al. | Deep spatio-temporal representation learning for multi-class imbalanced data classification | |
Leyva et al. | Video anomaly detection based on wake motion descriptors and perspective grids | |
Song et al. | Two-stream designed 2d/3d residual networks with lstms for action recognition in videos | |
Hajji et al. | Incidents prediction in road junctions using artificial neural networks | |
Fu et al. | A novel approach for anomaly event detection in videos based on autoencoders and SE networks | |
CN112836648A (zh) | 一种基于深度学习下用户行为分析模型构建及系统应用 | |
Li | Dance art scene classification based on convolutional neural networks | |
Anwar et al. | Perceptual judgments to detect computer generated forged faces in social media | |
Dastbaravardeh et al. | Channel Attention-Based Approach with Autoencoder Network for Human Action Recognition in Low-Resolution Frames |
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: 20210525 |