[发明专利]基于设备端的智能暴恐行为检测方法

说明书

本发明提供了一种基于设备端的智能暴恐行为检测方法。其包括以下步骤：S1.对暴恐行为进行分类；S2.选择轻量级网络MobileNets模型，该模型在卷积操作中借鉴了可分离卷积的思想，将标准卷积操作分割为depthwise和pointwise两部分；S3.利用网络训练标记后的暴恐数据得到模型，利用剪枝的方式对模型进行压缩，即通过排序神经网络中神经元的贡献度，去除对输出贡献较小的参数；S4.对模型检测出的暴恐元素进行逻辑关系组合，定义判断暴恐行为的条件；S5.对当前帧图像检测，当检测结果符合逻辑关系时，判定为暴恐行为，发出警报，通知最近的安保人员，否则判为正常行为。

技术领域

本发明涉及一种基于设备端的智能暴恐行为检测方法，属于暴恐检测、深度学习技术领域。

背景技术

深度学习模型的边缘端部署让设备智能化，近年来室外安全事件频发，且因为没有第一时间报警而错失救援，因此在边缘端进行智能化部署，则可以取代人工视频监控，对监控区域内的目标进行实时监测和判别，提高事故报警率，提高救援速度。传统的暴恐检测多依赖于肢体的异常行为检测，目标检测同样可以应用到暴恐检测领域。

发明内容

为实现在边端设备智能检测暴恐行为的问题，本发明目的是提供了一种基于设备端的智能暴恐行为检测方法。

本发明为实现上述目的，通过以下技术方案实现：

一种基于设备端的智能暴恐行为检测方法，包括以下步骤：

S1. 对暴恐行为进行分类；

S2.选择轻量级网络MobileNets模型，该模型在卷积操作中借鉴了可分离卷积的思想，将标准卷积操作分割为depthwise和pointwise两部分；

S3. 利用网络训练标记后的暴恐数据得到模型，利用剪枝的方式对模型进行压缩，即通过排序神经网络中神经元的贡献度，去除对输出贡献较小的参数；

S4.对模型检测出的暴恐元素进行逻辑关系组合，定义判断暴恐行为的条件；

S5. 对当前帧图像检测，当检测结果符合逻辑关系时，判定为暴恐行为，发出警报，通知最近的安保人员，否则判为正常行为。

上述基于设备端的智能暴恐行为检测方法基础上，假设输入数据维度为，depthwise+Pointwise的组合卷积参数量为: ，w为图像宽度、h为图像，c为图像通道，n为卷积核个数。

上述基于设备端的智能暴恐行为检测方法基础上，s1中参考PASCAL VOC数据集的标注格式，人为定义6中暴恐行为：血腥、爆炸、车祸、枪支、刀具和恐怖分子，标记数据并参与训练。

本发明的优点在于：

室外公共场所，如广场、车站等，摄像头角度固定，因此图像背景保持不变，在这种情况下，可以在摄像头处搭载暴恐检测模型，达到对监控视频实时监测的目的。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于设备端的智能暴恐行为检测方法，包括以下步骤：

S1. 参考PASCAL VOC数据集的标注格式，人为定义6中暴恐行为：血腥、爆炸、车祸、枪支、刀具和恐怖分子，标记数据并参与训练；