CN114782860A - 一种监控视频中暴力行为检测系统及方法 - Google Patents

一种监控视频中暴力行为检测系统及方法 Download PDF

Info

Publication number
CN114782860A
CN114782860A CN202210317073.8A CN202210317073A CN114782860A CN 114782860 A CN114782860 A CN 114782860A CN 202210317073 A CN202210317073 A CN 202210317073A CN 114782860 A CN114782860 A CN 114782860A
Authority
CN
China
Prior art keywords
violent
violent behavior
image
module
video
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
CN202210317073.8A
Other languages
English (en)
Inventor
任涛
冯宇振
张予舒
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210317073.8A priority Critical patent/CN114782860A/zh
Publication of CN114782860A publication Critical patent/CN114782860A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种监控视频中暴力行为检测系统及方法，属于深度学习领域；获取室内外场所中监控摄像头所拍摄的视频数据，该视频数据以视频流的形式推送到运行算法的服务器；将部分视频图像数据至少标注有是否包含暴力行为以及暴力行为发生的区域范围；将带有是否包含暴力行为标签的视频图像数据输入到P3D网络中，将模型训练得到暴力行为分类模型；将带有暴力区域发生范围标签的视频图像数据输入到CenterNet目标检测网络中，将模型训练到到暴力行为目标检测模型；将从监控摄像头实时获取的视频图像数据输入到暴力行为分类模型、暴力行为目标检测模型，得到暴力行为检测结果；将所述暴力行为检测结果发送至运行的用户终端。

Description

一种监控视频中暴力行为检测系统及方法
技术领域
本发明属于深度学习领域，尤其涉及一种监控视频中暴力行为检测系统及方法。
背景技术
随着信息技术的发展，智能监控设备在全国得到广泛应用，暴力场景可以被监控摄像头记录下来，检测这些视频中的暴力事件对公共安全至关重要。然而，在每秒产生大量视频的情况下，依靠工作人员手动检测只能用于有限数量的视频。所以从实际的应用上来说，自动化暴力检测是一项有意义的研究，可以应用于许多领域，例如智能监控、评估上传到移动应用程序的视频以及监狱看守机器人。因此研究一种能够自动监控和检测监控视频中的暴力行为的有效方法具有深远的意义。
随着计算能力的提高和大规模数据集的可用性，计算机视觉一直在不断发展。深度学习是计算机视觉中的一项关键技术，在图像分类和目标检测等许多领域取得了显着的里程碑，因此可以将其引入以解决暴力检测问题。与基于手工特征的方法相比，深度学习方法在鲁棒性和准确性方面产生了巨大的提升。然而，这种方法在应用于视频理解方面存在局限性，因为视频是帧的时间序列，而2DCNN无法编码动态运动信息。为此，有学者用循环神经网络(RNN)将视频序列结合起来。此外，由于3d卷积神经网络(C3D)通过将2D滤波器扩展到时间轴来编码时空信息，因而引入C3D用于处理暴力行为检测问题。通过使用3d过滤器捕获视频中的空间和时间信息，它们成功地应用于视频动作识别任务。
基于循环神经网络(RNN)的暴力行为检测方法，在一定程度上编码了动态运动信息，然而这些方法在性能上存在缺陷，它们没有在网络的早期层中跨多个帧执行卷积。因为传统的2DCNN模型不编码时间信息，因此基于视频的动作识别是一项具有挑战性的任务。
对于上述问题，有人提出用3d卷积神经网络编码时间信息，这样的模型在性能上有显着提高，但它们的计算成本很高，并且需要大量参数。另外3d卷积神经网络提取的特征在对抗由于光照、姿势、尺度等变化引起的多种空间变化方面效果非常好，但对大规模视频理解的性能仍然有限。
发明内容
针对现有技术的不足，本发明提供了一种监控视频中暴力行为检测系统及方法。
一种监控视频中暴力行为检测系统包括：数据抽取模块、数据标注模块、图像增强模块、模型训练模块、暴力行为检测模块以及监控日志模块；
所述数据抽取模块从监控摄像头推送的视频流数据抽取图像帧，输出到数据标注模块；数据标注模块对图像帧标注是否包含暴力行为以及暴力行为发生的区域，并输出到图像增强模块；图像增强模块依据标注后的帧图像的质量对其进行锐化、直方图均衡化、分辨率调整处理，并输出到模型训练模块；模型训练模块对其进行训练，训练结束得到暴力行为检测模块；暴力行为检测模块对新输入的未经标注的图像增强图片进行检测，最后将输出结果存入监控日志模块；
其中，暴力行为检测模块包含暴力行为分类模型、暴力行为目标检测模型；未经标注图片先输入到图像增强模块进行处理，然后送入到暴力行为检测模块；在暴力行为检测模块中，图片先经过暴力行为分类模型输出分类结果，根据分类结果，把包含暴力行为的图片抽取出来，输入到暴力行为目标检测模型中，输出暴力行为发生的位置；
另一方面，一种监控视频中暴力行为检测方法基于一种监控视频中暴力行为检测系统实现；包括下列步骤：
步骤1：获取室内外场所中监控摄像头所拍摄的视频数据，该视频数据以视频流的形式推送到视频抽取模块，视频抽取模块对视频数据进行抽帧处理，抽取一定量的视频数据图像；
步骤2：将抽取到的视频数据图像标注是否包含暴力行为以及暴力行为发生的区域范围；
步骤3：将标注后的视频数据图像，输入到图像增强模块，根据分辨率、光线因素进行图像增强，使用直方图均衡化显著增强图像对比度，并根据需要，适当调整视频数据图像的分辨率；
步骤4：将经过步骤3处理的视频数据图像输入到模型训练模块，得到暴力行为检测模块；
步骤4.1：将标注是否包含暴力行为并进行图像增强的视频数据图像输入到3d卷积神经网络中，将模型训练得到暴力行为分类模型；
所述3d卷积神经网络使用P3D的卷积结构，将3d卷积被分解为2d空间卷积和1d时间卷积；
步骤4.2：将标注暴力区域发生范围并进行图像增强的视频数据图像输入到CenterNet目标检测网络中，将模型训练到到暴力行为目标检测模型；
训练CenterNet需要最小化损失函数，CenterNet的损失函数包含三个各部分：关键点预测损失、离散偏移预测损失以及预测框大小损失；
步骤4.2.1：关键点预测损失公式如下：
Figure BDA0003570133080000031
其中，Lk为关键点预测损失，N为输入图像中的关键点数，α和β为超参数，
Figure BDA0003570133080000032
为预测结果，yxyc为真实结果；xy表示图片像素的坐标，c表示类别；
步骤4.2.2：为了修正预测的关键点，引入了离散偏移预测损失，公式如下：
Figure BDA0003570133080000033
其中，Loff为离散偏移预测损失，R为输入图像中的关键点数，
Figure BDA0003570133080000034
为预测的偏移量，
Figure BDA0003570133080000035
为预测的关键点位置，而p为真实的关键点位置；
步骤4.2.3：要预测暴力行为发生的区域除了有关键点之外，还要预测标记暴力行为发生区域的边框的长宽，进而引入预测框大小损失，公式如下：
Figure BDA0003570133080000036
其中，Lsize为预测框大小损失，
Figure BDA0003570133080000037
预测的长宽，Sk为实际的长宽；
步骤4.2.4：最后，将三个损失函数整合成一个总的损失函数，只要最小化该损失函数就使目标检测模型收敛了：
Ldet＝Lk+λsizeLsize+λoffLoff
其中，Ldet为总的损失函数，λsize为离散偏移预测损失的权重，通常设置为0.1，λoff为和预测框大小损失的权重，通常设置为1；
步骤5：将监控摄像头实时获取的视频图像数据输入暴力行为分类模型得到暴力行为分类结果，得到每一帧送入模型的图像包含暴力行为的评分；
步骤6：依据暴力行为分类模型的结果，选择前k个评分最高的图像，保持其原本在视频流中的顺序，组成一个新的图像序列；
步骤7：将前k个评分最高的图像序列输入暴力行为目标检测模型得到暴力行为目标检测结果，得到每一张送入模型的图像发生暴力行为发生区域的中心点坐标、区域的长宽以及该区域的置信度；
步骤8：最后将暴力行为检测结果发送至运行的用户终端并存入日志模块；
步骤9：定期选择部分监控数据进行重新标注，送入暴力行为检测模块进行测试，计算分类的准确率和目标检测的IOU，得到检测效果不好的图像帧；用检测效果不好的图像帧训练并改善暴力行为分类模型和暴力行为目标检测模型；
通过训练得到监控视频中暴力行为分类模型对视频监控摄像头传回的视频流中抽取的视频图片进行分类，并选出包含暴力行为的图片，监控视频中暴力行为目标检测模型可对这些图片进行进一步的检测，实现高精度的暴力行为区域目标检测。
本发明有益技术效果：
本发明提供一种监控视频中暴力行为检测方法，通过无线监控摄像头采计场景内实时图像，用一种基于深度学习分类模型和一种深度学习目标检测模型训练带标签的包含暴力行为的图像以及正常的图像，做到暴力行为精确识别。
附图说明
图1本发明实施例监控视频中暴力行为检测方法的流程示意图；
图2本发明实施例监控视频中暴力行为检测系统结构示意图；
图3本发明实施例监控视频中暴力行为目标检测算法模型结构示意图。
具体实施方式
下面结合附图和实施例，对本发明做进一步说明：
本发明提供了一种监控视频中暴力行为检测系统及方法。
一种监控视频中暴力行为检测系统包括：数据抽取模块、数据标注模块、图像增强模块、模型训练模块、暴力行为检测模块以及监控日志模块；如附图2所示；
所述数据抽取模块从监控摄像头推送的视频流数据抽取图像帧，输出到数据标注模块；数据标注模块对图像帧标注是否包含暴力行为以及暴力行为发生的区域，并输出到图像增强模块；图像增强模块依据标注后的帧图像的质量对其进行锐化、直方图均衡化、分辨率调整处理，并输出到模型训练模块；模型训练模块对其进行训练，训练结束得到暴力行为检测模块；暴力行为检测模块对新输入的未经标注但经过图像增强处理的图片进行检测，最后将输出结果存入监控日志模块；
其中，暴力行为检测模块包含暴力行为分类模型、暴力行为目标检测模型；未经标注图片先输入到图像增强模块进行处理，然后送入到暴力行为检测模块。在暴力行为检测模块中，图片先经过暴力行为分类模型输出分类结果，根据分类结果，把包含暴力行为的图片抽取出来，输入到暴力行为目标检测模型中，输出暴力行为发生的位置；暴力行为目标检测算法模型结构如附图3所示；
另一方面，一种监控视频中暴力行为检测方法基于一种监控视频中暴力行为检测系统实现；如附图1所示；包括下列步骤：
步骤1：获取室内外场所中监控摄像头所拍摄的视频数据，该视频数据以视频流的形式推送到视频抽取模块，视频抽取模块对视频数据进行抽帧处理，抽取一定量的视频数据图像；
将楼内过道顶端部署的监控摄像头拍摄的视频数据上传到算法所在的主机(也可以说上传至算法服务器)。上传视频流的过程中使用了RTSP协议，保证数据的实时性；
将上传到主机(或者服务器)的视频数据输入至数据抽取模块，随机选择一些过道间监控视频帧计算相似度，确定图像抽取时间间隔；
步骤2：将抽取到的视频数据图像标注是否包含暴力行为以及暴力行为发生的区域范围；
将部分视频图像数据至少标注有是否包含暴力行为以及暴力行为发生的区域范围，要求将标注存储成XML文件格式；
步骤3：将标注后的视频数据图像，输入到图像增强模块，根据分辨率、光线等因素进行图像增强，使用直方图均衡化显著增强图像对比度，并根据需要，适当调整视频数据图像的分辨率；
将标注好的图像送入图像增强模块，进行直方图均衡化调整，然后将图像的分辨率设置为512*512；
步骤4：将经过步骤3处理的视频数据图像输入到模型训练模块，得到暴力行为检测模块；
步骤4.1：将标注是否包含暴力行为并进行图像增强的视频数据图像输入到3d卷积神经网络中，将模型训练得到暴力行为分类模块；
所述3d卷积神经网络使用P3D的卷积结构，将3d卷积被分解为2d空间卷积和1d时间卷积；这样技能考虑时间信息，又能大幅度减少神经网络的参数，提升算法执行的效率；
步骤4.2：将标注暴力区域发生范围并进行图像增强的视频数据图像输入到CenterNet目标检测网络中，将模型训练到到暴力行为目标检测模型；
训练CenterNet需要最小化损失函数，CenterNet的损失函数包含三个各部分：关键点预测损失、离散偏移预测损失以及预测框大小损失；
步骤4.2.1：关键点预测损失公式如下：
Figure BDA0003570133080000051
其中，Lk为关键点预测损失，N为输入图像中的关键点数，α和β为超参数，
Figure BDA0003570133080000061
为预测结果，yxyc为真实结果；xy表示图片像素的坐标，c表示类别；
步骤4.2.2：为了修正预测的关键点，引入了离散偏移预测损失，公式如下：
Figure BDA0003570133080000062
其中，Loff为离散偏移预测损失，R为输入图像中的关键点数，
Figure BDA0003570133080000063
为预测的偏移量，
Figure BDA0003570133080000064
为预测的关键点位置，而p为真实的关键点位置；
步骤4.2.3：要预测暴力行为发生的区域除了有关键点之外，还要预测标记暴力行为发生区域的边框的长宽，进而引入预测框大小损失，公式如下：
Figure BDA0003570133080000065
其中，Lsize为预测框大小损失，
Figure BDA0003570133080000066
预测的长宽，Sk为实际的长宽；
步骤4.2.1：最后，将三个损失函数整合成一个总的损失函数，只要最小化该损失函数就使目标检测模型收敛了：
Ldet＝Lk+λsizeLsize+λoffLoff
其中，Ldet为总的损失函数，λsize为离散偏移预测损失的权重，通常设置为0.1，λoff为和预测框大小损失的权重，通常设置为1；
步骤5：将监控摄像头实时获取的视频图像数据输入暴力行为分类模型得到暴力行为分类结果，得到每一帧送入模型的图像包含暴力行为的评分；
将处理过后的图像送入暴力行为检测模块。图像首先被送入暴力行为分类模型得到暴力行为分类结果，得到每一帧送入模型的图像包含暴力行为的评分，该评分为为一个0到1之间的小数，表示该图像包含暴力行为的概率。
步骤6：依据暴力行为分类模型的结果，选择前k个评分最高的图像，保持其原本在视频流中的顺序，组成一个新的图像序列；
步骤7：将前k个评分最高的图像序列输入暴力行为目标检测模型得到暴力行为目标检测结果，得到每一张送入模型的图像发生暴力行为的区域以及区域的置信度；
将前k个评分最高的图像序列输入暴力行为目标检测模检测暴力行为发生区域的中心点坐标、区域的长宽以及该区域的置信度。
步骤8：最后将暴力行为检测结果发送至运行的用户终端并存入日志模块；
步骤9：定期选择部分监控数据进行重新标注，送入暴力行为检测模块进行测试，计算分类的准确率和目标检测的IOU，得到检测效果不好的图像帧；用检测效果不好的图像帧训练并改善暴力行为分类模型和暴力行为目标检测模型；
通过训练得到监控视频中暴力行为分类模型对视频监控摄像头传回的视频流中抽取的视频图片进行分类，并选出包含暴力行为的图片，监控视频中暴力行为目标检测模型可对这些图片进行进一步的检测，实现高精度的暴力行为区域目标检测；广泛适用于暴力行为检测的应用场景中；
通过训练得到监控视频中暴力行为分类模型可对视频监控摄像头传回的视频流中抽取的视频图片进行分类，并选出包含暴力行为的图片，监控视频中暴力行为目标检测模型可对这些图片进行进一步的检测，最终的平均精度(AP)可达到45.1，实现了可靠的暴力行为检测，广泛适用于暴力行为检测的应用场景中。

Claims (7)

1.一种监控视频中暴力行为检测系统，其特征在于，具体包括数据抽取模块、数据标注模块、图像增强模块、模型训练模块、暴力行为检测模块以及监控日志模块；
所述数据抽取模块从监控摄像头推送的视频流数据抽取图像帧，输出到数据标注模块；数据标注模块对图像帧标注是否包含暴力行为以及暴力行为发生的区域，并输出到图像增强模块；图像增强模块依据标注后的帧图像的质量对其进行锐化、直方图均衡化、分辨率调整处理，并输出到模型训练模块；模型训练模块对其进行训练，训练结束得到暴力行为检测模块；暴力行为检测模块对新输入的未经标注的图像增强图片进行检测，最后将输出结果存入监控日志模块。
2.根据权利要求1所述的一种监控视频中暴力行为检测系统，其特征在于，所述暴力行为检测模块包含暴力行为分类模型、暴力行为目标检测模型；未经标注图片先输入到图像增强模块进行处理，然后送入到暴力行为检测模块；在暴力行为检测模块中，图片先经过暴力行为分类模型输出分类结果，根据分类结果，把包含暴力行为的图片抽取出来，输入到暴力行为目标检测模型中，输出暴力行为发生的位置。
3.一种监控视频中暴力行为检测方法基于权利要求1所述一种监控视频中暴力行为检测系统实现，其特征在于，包括下列步骤：
步骤1：获取室内外场所中监控摄像头所拍摄的视频数据，该视频数据以视频流的形式推送到视频抽取模块，视频抽取模块对视频数据进行抽帧处理，抽取一定量的视频数据图像；
步骤2：将抽取到的视频数据图像标注是否包含暴力行为以及暴力行为发生的区域范围；
步骤3：将标注后的视频数据图像，输入到图像增强模块，根据分辨率、光线因素进行图像增强，使用直方图均衡化显著增强图像对比度，并根据需要，适当调整视频数据图像的分辨率；
步骤4：将经过步骤3处理的视频数据图像输入到模型训练模块，得到暴力行为检测模块；
步骤5：将监控摄像头实时获取的视频图像数据输入暴力行为分类模型得到暴力行为分类结果，得到每一帧送入模型的图像包含暴力行为的评分；
步骤6：依据暴力行为分类模型的结果，选择前k个评分最高的图像，保持其原本在视频流中的顺序，组成一个新的图像序列；
步骤7：将前k个评分最高的图像序列输入暴力行为目标检测模型得到暴力行为目标检测结果，得到每一张送入模型的图像发生暴力行为发生区域的中心点坐标、区域的长宽以及该区域的置信度；
步骤8：最后将暴力行为检测结果发送至运行的用户终端并存入日志模块；
步骤9：定期选择部分监控数据进行重新标注，送入暴力行为检测模块进行测试，计算分类的准确率和目标检测的IOU，得到检测效果不好的图像帧；用检测效果不好的图像帧训练并改善暴力行为分类模型和暴力行为目标检测模型；
通过训练得到监控视频中暴力行为分类模型对视频监控摄像头传回的视频流中抽取的视频图片进行分类，并选出包含暴力行为的图片，监控视频中暴力行为目标检测模型可对这些图片进行进一步的检测，实现高精度的暴力行为区域目标检测。
4.根据权利要求3所述的一种监控视频中暴力行为检测方法，其特征在于，所述步骤4具体为：
步骤4.1：将标注是否包含暴力行为并进行图像增强的视频数据图像输入到3d卷积神经网络中，将模型训练得到暴力行为分类模型；
步骤4.2：将标注暴力区域发生范围并进行图像增强的视频数据图像输入到CenterNet目标检测网络中，将模型训练到到暴力行为目标检测模型。
5.根据权利要求4所述的一种监控视频中暴力行为检测方法，其特征在于，所述所述3d卷积神经网络使用P3D的卷积结构，将3d卷积被分解为2d空间卷积和1d时间卷积。
6.根据权利要求4所述的一种监控视频中暴力行为检测方法，其特征在于，所述训练CenterNet需要最小化损失函数，CenterNet的损失函数包含三个各部分：关键点预测损失、离散偏移预测损失以及预测框大小损失。
7.根据权利要求4所述的一种监控视频中暴力行为检测方法，其特征在于，所述步骤4.2具体为：
步骤4.2.1：关键点预测损失公式如下：
Figure FDA0003570133070000021
其中，Lk为关键点预测损失，N为输入图像中的关键点数，α和β为超参数，
Figure FDA0003570133070000022
为预测结果，yxyc为真实结果；xy表示图片像素的坐标，c表示类别；
步骤4.2.2：为了修正预测的关键点，引入了离散偏移预测损失，公式如下：
Figure FDA0003570133070000023
其中，Loff为离散偏移预测损失，R为输入图像中的关键点数，
Figure FDA0003570133070000024
为预测的偏移量，
Figure FDA0003570133070000025
为预测的关键点位置，而p为真实的关键点位置；
步骤4.2.3：要预测暴力行为发生的区域除了有关键点之外，还要预测标记暴力行为发生区域的边框的长宽，进而引入预测框大小损失，公式如下：
Figure FDA0003570133070000031
其中，Lsize为预测框大小损失，
Figure FDA0003570133070000032
预测的长宽，Sk为实际的长宽；
步骤4.2.4：最后，将三个损失函数整合成一个总的损失函数，只要最小化该损失函数就使目标检测模型收敛了：
Ldet＝Lk+λsizeLsize+λoffLoff
其中，Ldet为总的损失函数，λsize为离散偏移预测损失的权重，通常设置为0.1，λoff为和预测框大小损失的权重，通常设置为1。
CN202210317073.8A 2022-03-29 2022-03-29 一种监控视频中暴力行为检测系统及方法 Pending CN114782860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210317073.8A CN114782860A (zh) 2022-03-29 2022-03-29 一种监控视频中暴力行为检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210317073.8A CN114782860A (zh) 2022-03-29 2022-03-29 一种监控视频中暴力行为检测系统及方法

Publications (1)

Publication Number Publication Date
CN114782860A true CN114782860A (zh) 2022-07-22

Family

ID=82425311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210317073.8A Pending CN114782860A (zh) 2022-03-29 2022-03-29 一种监控视频中暴力行为检测系统及方法

Country Status (1)

Country Link
CN (1) CN114782860A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240123A (zh) * 2022-09-23 2022-10-25 南京邮电大学 一种面向智能监控系统的暗处暴力行为检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257643A (zh) * 2020-10-30 2021-01-22 天津天地伟业智能安全防范科技有限公司 一种基于视频流的抽烟行为和打电话行为识别方法
CN112507860A (zh) * 2020-12-03 2021-03-16 上海眼控科技股份有限公司 一种视频标注方法、装置、设备及存储介质
KR20210039663A (ko) * 2019-10-02 2021-04-12 경북대학교 산학협력단 폭력행위 관리시스템 및 방법
US20210133457A1 (en) * 2018-11-28 2021-05-06 Beijing Dajia Internet Information Technology Co., Ltd. Method, computer device, and storage medium for video action classification
CN112926481A (zh) * 2021-03-05 2021-06-08 浙江大华技术股份有限公司 一种异常行为的检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210133457A1 (en) * 2018-11-28 2021-05-06 Beijing Dajia Internet Information Technology Co., Ltd. Method, computer device, and storage medium for video action classification
KR20210039663A (ko) * 2019-10-02 2021-04-12 경북대학교 산학협력단 폭력행위 관리시스템 및 방법
CN112257643A (zh) * 2020-10-30 2021-01-22 天津天地伟业智能安全防范科技有限公司 一种基于视频流的抽烟行为和打电话行为识别方法
CN112507860A (zh) * 2020-12-03 2021-03-16 上海眼控科技股份有限公司 一种视频标注方法、装置、设备及存储介质
CN112926481A (zh) * 2021-03-05 2021-06-08 浙江大华技术股份有限公司 一种异常行为的检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240123A (zh) * 2022-09-23 2022-10-25 南京邮电大学 一种面向智能监控系统的暗处暴力行为检测方法
CN115240123B (zh) * 2022-09-23 2023-07-14 南京邮电大学 一种面向智能监控系统的暗处暴力行为检测方法

Similar Documents

Publication Publication Date Title
CN109961051B (zh) 一种基于聚类和分块特征提取的行人重识别方法
CN109644255B (zh) 标注包括一组帧的视频流的方法和装置
CN104063883B (zh) 一种基于对象和关键帧相结合的监控视频摘要生成方法
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN112836640B (zh) 一种单摄像头多目标行人跟踪方法
CN110717411A (zh) 一种基于深层特征融合的行人重识别方法
EP2549759B1 (en) Method and system for facilitating color balance synchronization between a plurality of video cameras as well as method and system for obtaining object tracking between two or more video cameras
CN111401311A (zh) 一种基于图像检测的高空抛物识别方法
CN111241931A (zh) 一种基于YOLOv3的空中无人机目标识别和跟踪方法
CN111767798B (zh) 一种面向室内联网视频监控的智能导播方法及系统
CN110796074B (zh) 一种基于时空数据融合的行人再识别方法
CN110532937B (zh) 基于识别模型与分类模型进行列车前向目标精准识别的方法
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN110705412A (zh) 一种基于运动历史图像的视频目标检测方法
CN111402298A (zh) 基于目标检测与轨迹分析的粮库视频数据压缩方法
CN114550268A (zh) 一种利用时空特征的深度伪造视频检测方法
CN113312973A (zh) 一种手势识别关键点特征提取方法及系统
CN113674321B (zh) 一种基于云端的监控视频下多目标跟踪的方法
CN114782860A (zh) 一种监控视频中暴力行为检测系统及方法
CN116824641B (zh) 姿态分类方法、装置、设备和计算机存储介质
CN117253166A (zh) 基于海量视频的校园安全跨域跟踪方法及系统
CN109815861B (zh) 一种基于人脸识别的用户行为信息统计方法
Gupta et al. Reconnoitering the Essentials of Image and Video Processing: A Comprehensive Overview
CN116758474A (zh) 一种陌生人逗留检测方法、装置、设备及存储介质
CN112070048B (zh) 基于RDSNet的车辆属性识别方法

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