基于骨骼信息的暴力行为智能监控技术研究
发布时间：2021-10-29 05:00
近年来,国际社会的安全形势日益严峻,恐怖袭击和暴力冲突事件持高发态势。视频监控技术广泛应用在学校、医院、商场和街道等公共场所,是我国保障社会安全稳定的主要安防监控方式。此外,随着互联网技术的迅速发展,网络视频成为传递信息的重要载体,而其中充斥的暴力、色情等不良信息,对用户特别是青少年造成了不良的影响。伴随监控终端的广泛部署和网络视频量的爆炸式增长,视频监控技术需更加智能化。传统的监控系统仅实现现场视频的采集和储存功能,而对数据的审查多数依靠人力完成,这种方式不仅费时费力,且易出现漏检和误检。因此,针对公共场所和网络视频的暴力行为智能监控技术已成为满足人民切实需要的一项研究内容。在众多监控方法中,按数据类型的不同可分为三类:彩色信息、深度信息和骨骼信息。基于彩色信息和深度信息的智能监控技术易受遮挡、背景和光照等干扰因素的影响,且从大尺寸或低分辨率的图像中提取特征比较困难。本文结合实际问题,针对基于骨骼信息的暴力行为智能监控技术展开研究,主要工作如下:（1）针对Kinect提取的骨骼信息受采集距离限制的问题,本文以大变焦网络摄像头作为监控设备,使用卡内基梅隆大学的tf-pose深度网络从采...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
NTURGB+D数据集在不同分割方法下的骨骼向量标准差
第6章暴力行为智能监控实验及分析55类器为f*，则样本x的行为安全性按如下公式判定：*1,0,mymmfxmymm·······································(6.2)其中，m是正例样本数，m是反例样本数，设危险动作为正例，安全动作为反例，则输出“1”代表样本x是暴力行为，输出“0”代表样本x是安全行为。行为数据是由多帧骨骼信息构成的序列，为了提高暴力行为的定位精度，本文将NTURGB+D数据集中的行为序列按帧分解为多个样本，输入到BP神经网络中，其训练流程如图6.2所示。图6.2BP神经网络训练流程随着迭代次数的增加，训练集和测试集的准确率曲线如图6.3所示。由图可知，网络的收敛效果较好，但训练集和测试集的分类准确率却未达到很理想的状态。这是由于逐帧分类的策略导致安全样本集与暴力样本集之间发生了部分重叠。为解决这一问题，本文将基于先验知识的定位方法和基于BP神经网络的定位方法结合。表6.3列出了不同方法对NTURGB+D数据集的定位准确率和定位速度，由表可知，“先验知识+BP神经网络”的二阶段时序定位法首先通过先验知识剔除了在行为序列中占绝大部分的安全片段，然后使用BP神经网络对少数可疑片段进一步分类。这样既显著提高了定位精度，达到98.7%，又保障了定位速度，在tf-pose以20帧/秒的速度提取骨骼信息的前提下，仍能达到18帧/秒的定位速度。
【参考文献】：
期刊论文
[1]基于双向长短期记忆模型的起重机智能操控方法[J]. 倪涛,刘海强,王林林,邹少元,张红彦,黄玲涛. 吉林大学学报(工学版). 2020(02)
[2]CNNIC发布第44次《中国互联网络发展状况统计报告》[J]. 于朝晖. 网信军民融合. 2019(09)
[3]利用生成噪声提高语音增强方法的泛化能力[J]. 袁文浩,娄迎曦,梁春燕,夏斌. 电子学报. 2019(04)
[4]吊装机器人肢体动作指令识别技术研究[J]. 倪涛,邹少元,刘海强,黄玲涛,陈宁,张红彦. 农业机械学报. 2019(06)
[5]基于分块双向二维主成分分析的人脸目标识别[J]. 乐新宇,肖小霞. 计算机技术与发展. 2019(01)
[6]基于矩与支持向量机的舰船目标识别方法[J]. 徐芳,韩树奎. 传感器与微系统. 2018(08)
[7]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[8]基于多级图像序列和卷积神经网络的人体行为识别[J]. 马淼,李贻斌. 吉林大学学报(工学版). 2017(04)
[9]一种基于关节点信息的人体行为识别新方法[J]. 田国会,尹建芹,韩旭,于静. 机器人. 2014(03)
[10]BP神经网络训练中的实际问题研究[J]. 宋振宇,王秋彦,丁小峰. 海军航空工程学院学报. 2009(06)
博士论文
[1]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[2]神经网络结构理论与技术的研究及其在过程模拟与过程控制中的应用[D]. 朱群雄.北京化工大学 1996
硕士论文
[1]基于相关滤波的目标稳定跟踪技术研究[D]. 吴昭童.中国科学院大学(中国科学院光电技术研究所) 2019
[2]基于三维重构与透视变换的汽车A柱盲区可视化方法研究[D]. 许彦平.吉林大学 2019
[3]基于肢体动作识别的吊运机器人智能交互技术研究[D]. 邹少元.吉林大学 2019
[4]基于音视频特征融合的暴力镜头识别方法研究[D]. 邵晨智.哈尔滨工业大学 2019
[5]基于人体关键点的人体行为识别[D]. 贺家灵.哈尔滨工业大学 2019
[6]基于改进BP神经网络的市际客运班线客流预测研究[D]. 黄小龙.哈尔滨工业大学 2019
[7]基于深度学习的人体行为识别研究[D]. 汪先远.北京交通大学 2019
[8]二轴云台的目标跟踪技术研究[D]. 赵恒逸.南京航空航天大学 2019
[9]基于BP神经网络核事故源项反演模型的优化研究[D]. 柴超君.南京航空航天大学 2019
[10]基于深度学习的人体行为识别算法研究[D]. 刘雪君.东北电力大学 2018
本文编号：3464013
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
NTURGB+D数据集在不同分割方法下的骨骼向量标准差
第6章暴力行为智能监控实验及分析55类器为f*，则样本x的行为安全性按如下公式判定：*1,0,mymmfxmymm·······································(6.2)其中，m是正例样本数，m是反例样本数，设危险动作为正例，安全动作为反例，则输出“1”代表样本x是暴力行为，输出“0”代表样本x是安全行为。行为数据是由多帧骨骼信息构成的序列，为了提高暴力行为的定位精度，本文将NTURGB+D数据集中的行为序列按帧分解为多个样本，输入到BP神经网络中，其训练流程如图6.2所示。图6.2BP神经网络训练流程随着迭代次数的增加，训练集和测试集的准确率曲线如图6.3所示。由图可知，网络的收敛效果较好，但训练集和测试集的分类准确率却未达到很理想的状态。这是由于逐帧分类的策略导致安全样本集与暴力样本集之间发生了部分重叠。为解决这一问题，本文将基于先验知识的定位方法和基于BP神经网络的定位方法结合。表6.3列出了不同方法对NTURGB+D数据集的定位准确率和定位速度，由表可知，“先验知识+BP神经网络”的二阶段时序定位法首先通过先验知识剔除了在行为序列中占绝大部分的安全片段，然后使用BP神经网络对少数可疑片段进一步分类。这样既显著提高了定位精度，达到98.7%，又保障了定位速度，在tf-pose以20帧/秒的速度提取骨骼信息的前提下，仍能达到18帧/秒的定位速度。
【参考文献】：
期刊论文
[1]基于双向长短期记忆模型的起重机智能操控方法[J]. 倪涛,刘海强,王林林,邹少元,张红彦,黄玲涛. 吉林大学学报(工学版). 2020(02)
[2]CNNIC发布第44次《中国互联网络发展状况统计报告》[J]. 于朝晖. 网信军民融合. 2019(09)
[3]利用生成噪声提高语音增强方法的泛化能力[J]. 袁文浩,娄迎曦,梁春燕,夏斌. 电子学报. 2019(04)
[4]吊装机器人肢体动作指令识别技术研究[J]. 倪涛,邹少元,刘海强,黄玲涛,陈宁,张红彦. 农业机械学报. 2019(06)
[5]基于分块双向二维主成分分析的人脸目标识别[J]. 乐新宇,肖小霞. 计算机技术与发展. 2019(01)
[6]基于矩与支持向量机的舰船目标识别方法[J]. 徐芳,韩树奎. 传感器与微系统. 2018(08)
[7]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[8]基于多级图像序列和卷积神经网络的人体行为识别[J]. 马淼,李贻斌. 吉林大学学报(工学版). 2017(04)
[9]一种基于关节点信息的人体行为识别新方法[J]. 田国会,尹建芹,韩旭,于静. 机器人. 2014(03)
[10]BP神经网络训练中的实际问题研究[J]. 宋振宇,王秋彦,丁小峰. 海军航空工程学院学报. 2009(06)
博士论文
[1]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[2]神经网络结构理论与技术的研究及其在过程模拟与过程控制中的应用[D]. 朱群雄.北京化工大学 1996
硕士论文
[1]基于相关滤波的目标稳定跟踪技术研究[D]. 吴昭童.中国科学院大学(中国科学院光电技术研究所) 2019
[2]基于三维重构与透视变换的汽车A柱盲区可视化方法研究[D]. 许彦平.吉林大学 2019
[3]基于肢体动作识别的吊运机器人智能交互技术研究[D]. 邹少元.吉林大学 2019
[4]基于音视频特征融合的暴力镜头识别方法研究[D]. 邵晨智.哈尔滨工业大学 2019
[5]基于人体关键点的人体行为识别[D]. 贺家灵.哈尔滨工业大学 2019
[6]基于改进BP神经网络的市际客运班线客流预测研究[D]. 黄小龙.哈尔滨工业大学 2019
[7]基于深度学习的人体行为识别研究[D]. 汪先远.北京交通大学 2019
[8]二轴云台的目标跟踪技术研究[D]. 赵恒逸.南京航空航天大学 2019
[9]基于BP神经网络核事故源项反演模型的优化研究[D]. 柴超君.南京航空航天大学 2019
[10]基于深度学习的人体行为识别算法研究[D]. 刘雪君.东北电力大学 2018
本文编号：3464013
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3464013.html
