[发明专利]一种社区监控场景下电梯猥亵行为异常检测方法

说明书

本发明涉及深度学习技术领域，具体公开了一种社区监控场景下电梯猥亵行为异常检测方法，包括以下步骤：获取社区内电梯环境下的乘客视频流，解码获得乘客图像并进行多属性标注制作数据集；将图像数据集输入设计的目标多属性检测网络模型TMD‑CNN中进行训练学习，直至得到最优参数；利用训练好的TMD‑CNN目标多属性检测模型对社区电梯环境进行检测，输出乘客数量、性别、关键点位置信息；使用距离计算公式计算异性关键点距离，比较与设定阈值大小关系，判断是否发生猥亵行为；采用GPU调度策略进行GPU调度。本发明使用GPU调度策略分析GPU实时情况提高网络模型的运行速度，提高检测效率，提高了对社区内电梯环境的适用性与实用性。

技术领域

本发明涉及深度学习技术领域，特别涉及一种社区监控场景下电梯猥亵行为异常检测方法。

背景技术

随着科学技术、网络技术的不断发展，人们的生活逐步向数字化、网络化、智能化方向发生转变，带动了人们生活水平的提高。近几年来，人工智能技术、机器学习的飞速崛起，又一次推动了社会不断朝着智能方向发展。智慧社区、智慧城市便是人工智能发展的产物。越来越多的研究学者开始关注深度学习领域，深度学习是目前机器学习发展阶段的最高级别，而卷积神经网络则是深度学习的典型代表，在图像检测、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经不仅在特征提取方面有显著成效，在物体检测识别等其他方面也起着不可替代的作用。

利用深度学习对人体进行检测，是目前的一个研究热点。人体目标的有效检测可以应用在各种领域，比如社区生活、商业监控、军事辅助等。近年来关于目标检测的也在一直处于不断发展状态，检测准确率以及效率越来越高。Faster R-CNN是目标检测识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及目标变化的不定性等这些外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，目标检测识别仍没有完整的体系，因此如何设计出针对特定环境提高目标识别准确度的算法依然是目前的研究重点。

猥亵行为是社区内的一大“顽疾”，由于一直缺乏有效的监控手段，不仅影响社区风气环境，而且给社区居民带来巨大的安全隐患。近年来也有不少相应的解决措施，由于人体动作较为复杂等影响导致智能监控检测误报率较高，而且适得其反，大大降低监控效率。基于此，如何通过深度学习算法对电梯内监控视频分析功能进行抗干扰训练，以实现电梯场景下目标猥亵行为的精准识别。

发明内容

为了解决猥亵行为这一社会“顽疾”，本发明针对社区内电梯场景提出猥亵行为异常检测方法。为了使检测模型更适用于电梯环境，设计基于卷积神经网络的目标多属性检测网络模型TMD-CNN(Target Multi-attribute Detection-Convolution NerualNetwork)，使用电梯环境的图像制作数据集对该网络模型进行训练学习，得到高适用性的目标检测模型。检测目标为乘客性别以及身体关键点，包括头部、胸部、双手、臀部5个部位。通过计算异性之间关键点距离判断是否发生猥亵异常行为。因为电梯环境空间小，有关键点部位发生漏检现象，设置任何关键点之间的距离小于设定阈值，即可认为是猥亵行为。TMD-CNN目标多属性检测网络模型的设计提高了对目标检测的适用性与实用性，采用GPU调度策略提高了模型的运算效率。实验表明，本发明能有效识别社区监控场景下猥亵行为异常检测方法。解决社区居民安全隐患，改善社区风气环境。

为了解决上述技术问题，本发明的技术方案是：