基于深度学习的校园欺凌行为检测研究

发布时间：2025-03-19 04:00

　　 为通过校园监控网络实时发现校园欺凌事件,提出采用人体姿态检测模型与递归神经网络相结合的方法来分析视频中的每一对个体行为,并通过一个完全连接的网络来识别一系列视频帧的行为,进而判断是否存在校园暴力行为.此外,还建立一个包含了来自校园不同地方的3 000多个视频片段数据库,并对视频中的运动行为进行标注,以用于训练及测试.通过对照实验发现:与传统方法相比,本文设计算法的实时分析准确率更高.

【文章页数】：6 页

【部分图文】：

图1关键点的规范化流程

凳北硐值确矫孀龅酶??判?1检测方法1.1模型构建通过构建OpenPose算法模型来帮助检测暴力事件.首先,从监控系统中获取视频,提取身体上的关键点;接着,将这些关键点视作连续运动的样本,并在每个个体的一系列图像间匹配这些关键点,为区分不同图像中的相同个体,使用不同颜色表示不同个....

图2原始图像及人体骨骼详解2检测数据处理

同个体,并通过检查和合并错误关键点来优化OpenPose程序,以获得更高的检测精度;然后将每20个图像的位置信息聚合形成数据集,并进行标准化;最后使用数据集通过Softmax交叉熵损失来训练递归神经网络,以检测暴力行为发生与否.相应流程如图1所示.图1关键点的规范化流程1.2数据....

图3优化OpenPose算法关键点适应度函数定义如下:

,(,))ififififDxyxy22,,1,,1()()ifjfifjfxxyy.(1)然而,如果最小的,,,1,1((,),(,))ififififDxyxy仍然大于阈值,即个体j在之前找不到最佳匹配框架,我们便认为个人j第1次出现在第f1帧中,并赋予这个对象一种新的颜色.....

图4标准化关键点

裢返?人在画面中会显得很大,并且不同位置将影响个体的大小以及它们在每帧中像素方面的运动幅度,从而降低判定准确度.因此,需要处理相关数据,以尽量减少对检测算法的干扰.在检查个体的打斗状态时,为了标准化每对个体的运动信息,将左侧个体的臀部中心视为原点,将右侧个体的臀部中心视为点(1,....

本文编号：4036626