CN117237741B - 一种校园危险行为检测方法、系统、装置和存储介质 - Google Patents
一种校园危险行为检测方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN117237741B CN117237741B CN202311473812.3A CN202311473812A CN117237741B CN 117237741 B CN117237741 B CN 117237741B CN 202311473812 A CN202311473812 A CN 202311473812A CN 117237741 B CN117237741 B CN 117237741B
- Authority
- CN
- China
- Prior art keywords
- dangerous
- campus
- data set
- dangerous behavior
- behaviors
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 172
- 238000000034 method Methods 0.000 claims description 42
- 230000036544 posture Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008707 rearrangement Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000004630 mental health Effects 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010062575 Muscle contracture Diseases 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 208000006111 contracture Diseases 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明属于图像处理技术领域,具体涉及一种校园危险行为检测方法、系统、装置和存储介质。通过对图像数据进行行为类别标注并分别构建数据集后,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练,训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。当检测出可能为校园危险行为后,发送给监管系统进行进一步判别,有助于及时发现校园危险行为,从而保障学生身心健康。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种校园危险行为检测方法、系统、装置和存储介质。
背景技术
近年来,校园中危险行为现象不断出现,而传统的校园危险行为监测,多为被动式检测,主要依赖于学生自己求助于老师和家长,导致往往不能及时发现校园危险行为的出现。另外一种常见的检测方式是,在校园安装大量摄像头,安排工作人员在监控室内对摄像内容进行实时监测,但这一方式受工作人员的主观判断影响较大,且工作人员的精力有限,难以对摄像内容长时间监测,可能会出现校园危险行为漏检的问题,同时也不能对校园危险行为进行有效预防。
发明内容
本发明提供一种校园危险行为检测方法、系统、装置和存储介质。
本发明的技术方案如下:
本发明提供了一种校园危险行为检测方法,包括以下步骤:
S1:获取校园图像数据,并对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集;
S2:分别对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理;
S3:将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积;
S4:将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。
本发明所述S1中的危险行为,包括蜷缩、倒地、肢体对抗行为、跑步或扭打;所述S1中的小目标危险行为包括持刀或持棍。
本发明所述S3之后还包括对数据集的优化处理,具体为:
对精度小于阈值的分类中的训练集中的不同动作朝向的动作进行记录,并对特定朝向的动作在相应的数据集中进行补充标注,进行S2中的预处理,重新进行训练。
本发明所述S3中的陷阱矩阵处理,使用手工陷阱公式,如下:
,式中,/>为特征层,/>为对/>做三角运算后取绝对值再取整,
,式中,/>为特征层上每个点/>经陷阱矩阵处理后的结果。
本发明所述S2中的数据增强,包括:
将S1数据集中四张不同的图像,经随机裁剪、随机缩放、排列组合,形成一张新的图像,同时这四张图像分别被分配到新图像的四个象限。
本发明所述S2中的图像缩放,包括:
将S1数据集中的图像先进行缩放,再填充纯色边。
本发明所述S3中初步提取特征,包含7×7卷积核深度可分离卷积处理。
本发明还提供了一种校园危险行为检测系统,包括:
图像分类标注模块:基于获取的校园图像数据,对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集;
数据集预处理模块:用于对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理;
特征提取网络训练模块:用于将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积;
检测模块:用于将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。
本发明还提供了一种校园危险行为检测装置,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现所述的校园危险行为检测方法。
本发明还提供了一种校园危险行为检测存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现所述的校园危险行为检测方法。
有益效果:本发明基于获取的校园场景图像中的行为,进行分类和类别标注,构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集,便于后续数据集的处理,同时也利于对各类行为的精准确定,从而有助于对校园危险行为的判断;
本发明采用陷阱注意力处理对特征提取网络进行训练,先通过手工陷阱识别数据集图像中的重要特征,由于手工陷阱函数的多样性,提取的特征更加丰富;然后再利用3×3卷积核进行深度可分离卷积获得注意力和相关信息,以获得特征之间的关联,从而达到提取特征丰富性的目的;
本发明可以将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测,检测出可能为校园危险的行为后,发送给监管系统进行进一步判别,有助于及时发现校园危险行为,从而保障学生身心健康。
附图说明
图1为标注的数据集的行为的示意图,
图2为图像经数据增强预处理后的效果图,
图3为图像经缩放预处理后的效果图,
图4为本发明的校园危险行为检测的流程示意图,
图5为训练过程中随训练轮数增加的识别精度图,
图6为标签数量分布图。
具体实施方式
以下实施例旨在说明本发明,而不是对本发明的进一步限定。
本发明提供了一种校园危险行为检测方法,包括以下步骤:
S1:获取校园图像数据,并对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集。
进一步地,如图1所示,所述S1中的危险行为,包括蜷缩、倒地、肢体对抗行为、跑步或扭打;所述S1中的小目标危险行为包括持刀或持棍。
基于获取的校园场景图像中的行为,进行分类和类别标注,构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集,便于后续数据集的处理,同时也利于对各类行为的精准确定,从而有助于对校园危险行为的判断。
S2:分别对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理。
进一步地,所述S2中的数据增强,包括:
将S1数据集中四张不同的图像,经随机裁剪、随机缩放并排列组合,形成一张新的图像,同时这四张图像分别被分配到新图像的四个象限,结果如图2所示;通过数据增强预处理,增加了数据量,同时增加了数据的多样性,有助于强化特征提取网络的泛化能力,以便于在训练中对数据集进行增强处理,从而产生更多的数据。
在数据被导入特征提取网络之前,还要对原始图像进行缩放预处理,再对缩放后的图像填充纯色边,结果如图3所示,从而增加不同尺度的图像数据,以满足对行为的多尺度检测。
S3:将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积。
进一步地,所述S3中初步提取特征,包含7×7卷积核深度可分离卷积处理,以便于特征提取网络进行大范围的特征学习。
为增强精度,本发明设置有陷阱注意力处理,增强特征提取网络对深层特征的学习,使特征更加丰富与突出,以及分配更多计算资源在提取拥有更多信息的特征上。
进一步地,所述S3中的陷阱矩阵处理,首先通过手工陷阱识别预处理后数据集中图像的重要特征,手工陷阱公式,如下:
式中,为特征层,/>为对/>做三角运算后取绝对值再取整,从而丰富特征层/>的多样性,/>相比/>和/>更加高频,以增强对特征的区分,/>则保证在恢复特征层尺度时特征不会丢失。进一步地,可以得到以下公式:
式中,为特征层上每个点/>经陷阱矩阵处理后的结果。相比处理前,每一个点的尺寸扩大两倍,达到了上采样的效果,同时特征经复杂变化,突出了每个像素点的多样性,有利于特征提取网络的学习。
进一步地,数据集中图像的特征经手工陷阱处理后,还需获得特征之间的关联。由于经手工陷阱处理后的特征层是处理前的两倍,故处理之前需要先对特征层使用一个像素刷新的逆运算来压缩特征层尺寸,计算公式如下:
式中,为深度可分离卷积权重,/>为陷阱矩阵,/>为像素重排操作,/>为偏置。/>和/>是可学习的参数,在一轮轮迭代中逐渐学习至最佳。若X维度为B×C×H×W,BCHW分别为批尺寸、通道数、高度和宽度,经像素重排操作后,维度变为B×4C×H/2×W/2,然后对其进行陷阱矩阵操作,维度变为B×4C×H×W。最终使用卷积核3×3的深度可分离卷积获得注意力信息和相关性。
进一步地,为提高特征提取网络的精度,还设置有回归损失函数,如下:
式中,为预测框与真实框的重叠程度,/>即为/>的改进,/>为回归损失函数,/>为预测框与真实框的中心点距离,/>为外接矩形的对角线,/>为宽高比相似度,/>为和/>的相关系数,/>的计算公式为:
式中,为宽度,/>为高度,/>,/>分别为预测框、真实框的宽高比。在特征提取网络训练过程中设置有损失函数,不断提高图像预测框与真实框的重叠程度,对特征提取网络的参数进行优化,从而提高特征提取网络的精度。
进一步地,所述S3之后还包括对数据集的优化处理,具体为:
对精度小于阈值的分类中的训练集中的不同动作朝向的动作进行记录,并对特定朝向的动作在相应的数据集中进行补充标注,进行S2中的预处理,重新进行训练。
在对特征提取网络的训练过程中,首先对输入特征采用7×7卷积核深度可分离卷积,在残差单元处理后进行陷阱注意力处理。不仅加强了特征提取网络下采样学习的能力,而且由于手工陷阱函数的多样性,提取的特征较于原始模型更加丰富。
S4:将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。
如图4所示,将训练好的特征提取网络配置在树莓派4B上,树莓派4B获得摄像头实时传输的视频流,对获取到的图像进行实时检测,检测出可能为校园危险的行为后,发送给校园监控系统进行进一步判别,有助于及时发现校园危险行为,从而保障学生身心健康。
本发明还提供了一种校园危险行为检测系统,包括:
图像分类标注模块:基于获取的校园图像数据,对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集;
数据集预处理模块:用于对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理;
特征提取网络训练模块:用于将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积;
检测模块:用于将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。
本发明还提供了一种校园危险行为检测装置,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现所述的校园危险行为检测方法。
本发明还提供了一种校园危险行为检测存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现所述的校园危险行为检测方法。
检测结果
1.检测特征提取网络的召回率和精度,其中,召回率和精度的计算公式分别为:
式中,为召回率,/>为精度,TP为被预测为正类的正样本的个数,FN为被预测为负类的负样本的个数,FP为被预测为正类的负样本的个数。
如图5所示,随着特征提取网络参数的不断优化,训练集和验证集各个指标随训练轮数的增加,各个指标皆趋于最佳。
2.如图6所示,选择标注的数据集的行为的实例数量构成数据集,再按6:2:2比例划分为训练集、验证集和测试集。数据集中,各行为实例数量较为接近,除跑步类具有较多实例,为1743,其他样本均在1500至1600个实例之间,样本的均衡分布有助于提升特征提取网络的训练效果。
采用本申请的方法对测试集的输出特征经卷积层处理后,进行陷阱注意力处理,进行检测,测试结果见表1;另外,采用对比方法对测试集的输出特征经卷积层处理后,未进行陷阱注意力处理,测试结果见下表2;采用对比方法得到的检测结果与采用本申请的方法进行对比,结果见表3。
表1 采用本申请的方法得到的检测结果
表2 采用对比方法得到的检测结果
表3 采用本申请的方法与采用对比方法得到的检测结果对比
由于平均精度均值是用以综合评价精度和召回率的指标,故在此只讨论该指标。由表3可知,当交并比为0.5时,相比于采用对比方法对测试集的输出特征经卷积层处理后,未进行陷阱注意力处理,得到的检测结果,采用本申请的方法具有更高的平均精度均值,为66.1%,尤其是采用本申请的方法在检测正常站立、持棍、持刀、扭打行为时,具有较高的平均精度均值。
Claims (8)
1.一种校园危险行为检测方法,其特征在于,包括以下步骤:
S1:获取校园图像数据,并对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集;
S2:分别对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理;
S3:将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积;
S4:将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测;
所述S1中的危险行为,为蜷缩、倒地、肢体对抗行为、跑步或扭打;所述S1中的小目标危险行为为持刀或持棍;
所述S3中的陷阱矩阵处理,使用手工陷阱公式,如下:
,式中,x为特征层,f n(x)为对x做三角运算后取绝对值再取整,
,式中,F i 为特征层上每个点x i 经陷阱矩阵处理后的结果。
2.根据权利要求1所述的一种校园危险行为检测方法,其特征在于,所述S3之后还包括对数据集的优化处理,具体为:
对精度小于阈值的分类中的训练集中的不同动作朝向的动作进行记录,并对特定朝向的动作在相应的数据集中进行补充标注,进行S2中的预处理,重新进行训练。
3.根据权利要求1所述的一种校园危险行为检测方法,其特征在于,所述S2中的数据增强,包括:
将S1数据集中四张不同的图像,经随机裁剪、随机缩放、排列组合,形成一张新的图像,同时这四张图像分别被分配到新图像的四个象限。
4.根据权利要求1所述的一种校园危险行为检测方法,其特征在于,所述S2中的图像缩放,包括:
将S1数据集中的图像先进行缩放,再填充纯色边。
5.根据权利要求1所述的一种校园危险行为检测方法,其特征在于,所述S3中初步提取特征,包含7×7卷积核深度可分离卷积处理。
6.一种校园危险行为检测系统,其特征在于,包括:
图像分类标注模块:基于获取的校园图像数据,对校园图像数据中的行为进行分类,分为正常安全行为、危险行为、小目标危险行为三大类别,在校园图像数据上配置边界框,分别对正常安全行为、小目标危险行为进行行为类别标注,分别形成安全行为数据和小目标危险行为数据,对危险行为进行姿势类别标注,形成危险行为数据,基于安全行为数据、小目标危险行为数据、危险行为数据分别构建安全姿势数据集、小目标危险行为数据集、危险姿势数据集;
所述危险行为,为蜷缩、倒地、肢体对抗行为、跑步或扭打;所述小目标危险行为,为持刀或持棍;
数据集预处理模块:用于对安全姿势数据集、小目标危险行为数据集、危险姿势数据集进行数据增强和图像缩放预处理;
特征提取网络训练模块:用于将经预处理的安全姿势数据集、小目标危险行为数据集、危险姿势数据集作为训练集,导入特征提取网络中进行初步提取特征,初步提取的特征经残差单元处理,得到输出特征,输出特征经卷积层处理后,进行陷阱注意力处理,对特征提取网络进行训练;
所述陷阱注意力处理,为将经卷积层处理后的输出特征,经像素重排、陷阱矩阵处理,使用3×3卷积核进行深度可分离卷积;
所述陷阱矩阵处理,使用手工陷阱公式,如下:
,式中,x为特征层,f n(x)为对x做三角运算后取绝对值再取整,
,式中,F i 为特征层上每个点x i 经陷阱矩阵处理后的结果;
检测模块:用于将训练好的特征提取网络配置在校园监控系统中,对监控系统中获取到的图像进行实时检测。
7.一种校园危险行为检测装置,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-5中任一项所述的校园危险行为检测方法。
8.一种校园危险行为检测存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的校园危险行为检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473812.3A CN117237741B (zh) | 2023-11-08 | 2023-11-08 | 一种校园危险行为检测方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473812.3A CN117237741B (zh) | 2023-11-08 | 2023-11-08 | 一种校园危险行为检测方法、系统、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237741A CN117237741A (zh) | 2023-12-15 |
CN117237741B true CN117237741B (zh) | 2024-02-13 |
Family
ID=89098463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473812.3A Active CN117237741B (zh) | 2023-11-08 | 2023-11-08 | 一种校园危险行为检测方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237741B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344691A (zh) * | 2018-08-10 | 2019-02-15 | 广东工业大学 | 一种基于深度学习的视觉安全校园管理监视方法 |
CN110069690A (zh) * | 2019-04-24 | 2019-07-30 | 成都市映潮科技股份有限公司 | 一种主题网络爬虫方法、装置及介质 |
CN110852222A (zh) * | 2019-10-31 | 2020-02-28 | 上海交通大学 | 一种基于目标检测的校园走廊场景智能监控方法 |
CN111191528A (zh) * | 2019-12-16 | 2020-05-22 | 江苏理工学院 | 基于深度学习的校园暴力行为检测系统和方法 |
WO2021051547A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
CN114202672A (zh) * | 2021-12-09 | 2022-03-18 | 南京理工大学 | 一种基于注意力机制的小目标检测方法 |
CN114332452A (zh) * | 2021-12-13 | 2022-04-12 | 南京行者易智能交通科技有限公司 | 一种针对目标检测或目标分割的图像标注结果的自动检测方法 |
CN114972283A (zh) * | 2022-06-08 | 2022-08-30 | 成都人人互娱科技有限公司 | 一种暴恐刀枪检测模型训练方法、系统及计算机存储介质 |
CN115331172A (zh) * | 2022-08-18 | 2022-11-11 | 江苏大学 | 一种基于监控视频的车间危险行为识别报警方法及系统 |
CN115471670A (zh) * | 2022-07-20 | 2022-12-13 | 中国科学院西安光学精密机械研究所 | 一种基于改进yolox网络模型的空间目标检测方法 |
CN116416576A (zh) * | 2023-04-04 | 2023-07-11 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于v3-yolox的烟雾/火焰双光视觉检测方法 |
CN116524338A (zh) * | 2023-05-06 | 2023-08-01 | 杭州意能电力技术有限公司 | 一种改进yolox的大尺寸小目标危险行为检测方法及系统 |
CN116912770A (zh) * | 2023-07-10 | 2023-10-20 | 大连交通大学 | 一种基于改进YOLOv8的公共场所吸烟检测方法 |
-
2023
- 2023-11-08 CN CN202311473812.3A patent/CN117237741B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344691A (zh) * | 2018-08-10 | 2019-02-15 | 广东工业大学 | 一种基于深度学习的视觉安全校园管理监视方法 |
CN110069690A (zh) * | 2019-04-24 | 2019-07-30 | 成都市映潮科技股份有限公司 | 一种主题网络爬虫方法、装置及介质 |
WO2021051547A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 暴力行为检测方法及系统 |
CN110852222A (zh) * | 2019-10-31 | 2020-02-28 | 上海交通大学 | 一种基于目标检测的校园走廊场景智能监控方法 |
CN111191528A (zh) * | 2019-12-16 | 2020-05-22 | 江苏理工学院 | 基于深度学习的校园暴力行为检测系统和方法 |
CN114202672A (zh) * | 2021-12-09 | 2022-03-18 | 南京理工大学 | 一种基于注意力机制的小目标检测方法 |
CN114332452A (zh) * | 2021-12-13 | 2022-04-12 | 南京行者易智能交通科技有限公司 | 一种针对目标检测或目标分割的图像标注结果的自动检测方法 |
CN114972283A (zh) * | 2022-06-08 | 2022-08-30 | 成都人人互娱科技有限公司 | 一种暴恐刀枪检测模型训练方法、系统及计算机存储介质 |
CN115471670A (zh) * | 2022-07-20 | 2022-12-13 | 中国科学院西安光学精密机械研究所 | 一种基于改进yolox网络模型的空间目标检测方法 |
CN115331172A (zh) * | 2022-08-18 | 2022-11-11 | 江苏大学 | 一种基于监控视频的车间危险行为识别报警方法及系统 |
CN116416576A (zh) * | 2023-04-04 | 2023-07-11 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于v3-yolox的烟雾/火焰双光视觉检测方法 |
CN116524338A (zh) * | 2023-05-06 | 2023-08-01 | 杭州意能电力技术有限公司 | 一种改进yolox的大尺寸小目标危险行为检测方法及系统 |
CN116912770A (zh) * | 2023-07-10 | 2023-10-20 | 大连交通大学 | 一种基于改进YOLOv8的公共场所吸烟检测方法 |
Non-Patent Citations (2)
Title |
---|
Trap Attention: Monocular Depth Estimation with Manual Traps;Chao Ning 等;2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR);第3.1节 * |
学生课堂行为检测算法研究;张喆;中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑;第2023卷(第8期);H127-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237741A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN100592322C (zh) | 照片人脸与活体人脸的计算机自动鉴别方法 | |
CN111523462B (zh) | 基于自注意增强cnn的视频序列表情识别系统及方法 | |
US11875558B2 (en) | Methods and apparatus to generate temporal representations for action recognition systems | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN109583449A (zh) | 字符识别方法及相关产品 | |
CN105740758A (zh) | 基于深度学习的互联网视频人脸识别方法 | |
CN104778481A (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
US11908240B2 (en) | Micro-expression recognition method based on multi-scale spatiotemporal feature neural network | |
CN110532925B (zh) | 基于时空图卷积网络的驾驶员疲劳检测方法 | |
CN110309799B (zh) | 基于摄像头的说话判断方法 | |
CN113139439B (zh) | 一种基于人脸识别的在线学习专注度评价方法及装置 | |
CN110135369A (zh) | 一种行为识别方法、系统、设备及计算机可读存储介质 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
WO2021238586A1 (zh) | 一种训练方法、装置、设备以及计算机可读存储介质 | |
CN112307984B (zh) | 基于神经网络的安全帽检测方法和装置 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
CN110738129B (zh) | 一种基于r-c3d网络的端到端视频时序行为检测方法 | |
CN110826459B (zh) | 基于姿态估计的可迁移校园暴力行为视频识别方法 | |
CN117237741B (zh) | 一种校园危险行为检测方法、系统、装置和存储介质 | |
CN116977725A (zh) | 一种基于改进卷积神经网络的异常行为识别方法及装置 | |
Wangli et al. | Foxtail Millet ear detection approach based on YOLOv4 and adaptive anchor box adjustment | |
Kabakus | A novel sketch recognition model based on convolutional neural networks | |
CN115240647A (zh) | 声音事件检测方法、装置、电子设备及存储介质 | |
CN109376619A (zh) | 一种细胞检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |