[发明专利]基于混合策略的暴力行为检测方法及系统、存储介质

说明书

本发明公开了一种基于混合策略的暴力行为检测方法及系统、计算机可读存储介质，该方法包括以下步骤：获取已训练的第一深度神经网络模型和第二深度神经网络模型；提取监控视频在预测间隔时间内的全部视频帧并计算所述全部视频帧的平均光流；当所述平均光流大于或等于光流阈值时，利用所述已训练的第一深度神经网络模型进行暴力行为检测；当所述平均光流小于光流阈值时，利用所述已训练的第二深度神经网络模型进行暴力行为检测。本发明解决了传统技术中存在的泛化能力较弱的问题，实现了对更全面的暴力行为场景的覆盖，从而提高了暴力行为检测的准确性和泛化能力，达到了使其能够在真实环境中应用的效果。

技术领域

本申请涉及计算机软件应用技术领域，尤其涉及一种基于混合策略的暴力行为检测方法及系统、计算机可读存储介质。

背景技术

暴力行为是以人身、财产为侵害目标，采取暴力手段，对被害人的身心健康和生命财产安全造成极大的损害，直接危及人的生命、健康与自由的一种行为。暴力行为的发生会给社会带来财产损失和人员伤亡，是影响社会安定的重要因素。因此，针对暴力行为的及早发现和取证具有重要意义。目前，各地区主要采用在公共场所安装视频监控并通过人工或机器对暴力行为进行检测的方法来发现和遏制暴力行为。其中，相比于人工检测的方法，采用基于机器的暴力检测方法可以实现7×24小时不间断检测，提高检测覆盖率，有效防止漏检的发生，并节省大量的人力成本。

目前，暴力行为检测的相关方法主要包括：(1)简单的运动检测方法，如速度检测、加速度检测、光流法；(2)传统的机器学习方法，如支持向量机(Support Vector Machine,SVM)、最邻近节点算法(K-Nearest Neighbor,KNN)、Adaboost算法；(3)基于深度学习的检测方法，如卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(LongShort-Term Memory,LSTM)。运动检测方法通过判断物体的运动状态(如速度、加速度、方向)以实现暴力行为检测。该方法基于两个假设：(1)暴力行为具有运动的特征；(2)暴力行为的运动状态和其他行为的运动状态可以区分。然而在一些情境下，上述假设不成立，从而造成漏检或误报。如原地扭打，该行为的运动特征可能不显著，从而使假设(1)不成立。传统的机器学习方法需要人工完成特征工程。然而暴力行为场景相对多样和复杂，缺乏科学和系统的特征构建、特征提取和特征选择标准，使得传统的机器学习方法存在较大瓶颈。基于深度学习的模型依赖于大量的数据。然而，目前已知的暴力行为公开数据集较少，是阻碍在暴力行为检测中应用深度学习模型的重要因素。此外，目前已知的暴力行为公开数据集的数据组成较为单一，且数据量较少，使得训练出的深度学习模型泛化能力有限，只适用于少数简单场景。综上所述，目前的暴力行为检测方法在特定的场景上表现良好，但始终受限于较弱的泛化能力，而无法在真实的环境下使用，这是暴力行为检测领域亟待解决的一个问题。

发明内容

本申请实施例通过提供一种基于混合策略的暴力行为检测方法及系统、计算机可读存储介质，解决了传统技术中存在的泛化能力较弱的问题，实现了对更全面的暴力行为场景的覆盖，从而提高了暴力行为检测的准确性和泛化能力，达到了使其能够在真实环境中应用的效果。

本申请实施例提供了一种基于混合策略的暴力行为检测方法，所述方法包括以下步骤：

获取已训练的第一深度神经网络模型和第二深度神经网络模型；其中，所述第一深度神经网络模型用于识别运动激烈程度达到预设值的视频；所述第二深度神经网络模型用于识别仅包含人体特征的视频；

提取监控视频在预测间隔时间内的全部视频帧并计算所述全部视频帧的平均光流；

当所述平均光流大于或等于光流阈值时，利用所述已训练的第一深度神经网络模型进行暴力行为检测；

当所述平均光流小于光流阈值时，利用所述已训练的第二深度神经网络模型进行暴力行为检测。