[发明专利]一种基于深度学习行为识别的校园暴力评估方法

权利要求书

1.一种基于深度学习行为识别的校园暴力评估方法，其特征在于，包括以下步骤：

1)参考现有公开数据集，结合特定校园应用场景，自制用于构建校园暴力评估神经网络模型所需的视频数据集，并进行数据压缩、集成、清洗和标记等预处理操作；

2)引入深度学习神经网络—3D-CNN，根据需求设计确定隐藏层数量、激活函数选择、各层次卷积核大小等网络内部结构；

3)将步骤1)中的数据集按2:8比例随机划分为测试集和训练集；依照交叉验证法把训练集分为h个不相交的子集，依次输入步骤2)所设计的3D-CNN网络中，训练构建3D-CNN校园暴力评估模型，

4)摄像头个体新输入的视频数据流经步骤3)所构建的暴力评估模型分析识别行为类别，得出该摄像头所处位置的实时安全状况；如有异常，立即发出警报。

2.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述的行为信息包括携带器械、表情和肢体动作三个部分。

3.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述的视频数据包括时间、摄像头编号与位置信息。

4.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述的3D-CNN网络包括预拆分通道层、卷积层、激活层、池化层和完全连接层，在二维帧图像的基础上，引入时间维度，考虑多个连续帧的运动编码信息，从相邻的视频帧生成多个信息通道，并对每个通道进行卷积操作以获得更好的运动特征表示，数学表达式如下：

其中表示第i层第j个特征映射中(x,y,z)位置处的卷积结果；max()为激活函数；b_ij为该特征映射的偏差；m为第i-1层中特征映射的索引；为第k个特征位置(p,q,r)处的值；P_i，Q_i，R_i为卷积核的宽度、深度和高度。

5.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述的校园暴力评估模型中的暴力评估方法包括步骤：

1)定义行为安全范围，确定危险器械种类、遭遇暴力后可能出现的表情以及暴力发生时的肢体动作；

2)人工标记数据，根据上述危险定义，将切分好的数据标记为行为正常与行为异常两类标签。

6.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述的数据预处理包括进行数据清洗，将视频数据按相同时间间隔拆分为连续帧，并进行异常、重复数据清除，错误纠正，缺失数据进行填充；数据压缩，按一定格式压缩，降低储存容量，去除视频数据中的冗余信息；提取关键帧，连续的视频其相邻帧之间具有冗余信息，根据这一特性，利用差分法，去除视频中的冗余帧，可帮助节约储存空间，降低模型的学习难度；数据集成，利用数据库技术将各类数据信息集成并统一存储；数据标记，对处理好的一段连续帧，人为标记行为异常与否标签。

7.根据权利要求1所述的一种基于深度学习行为识别的校园暴力评估方法，其特征在于，所述交叉验证法包括将将全部训练集U分为h个不相交的子集，样本总数为S，则每个子集有S/h个训练样本，对应的子集为{U₁，U₂，U₃，...，U_h}，并从训练集中每次取出一个子集U_i，将剩余h-1个子集输入神经网络进行训练，U_i不参与训练，子集U_i的输出准确率为A_i，即为此次训练的结果,将训练h次的准确率{A₁，A₂，A₃，...，A_h}取平均值，得到最终的准确率A以评估模型的泛化能力。