[发明专利]一种针对直播过程中诱导性不良行为的检测系统及方法

权利要求书

1.一种针对直播过程中诱导性不良行为的检测系统，其特征在于，包括：

视频集处理模块，其输出端与空间特征处理模块的输入端相连接，所述视频集处理模块用于处理视频集内容，包括获取存储在直播平台数据库内的违规诱导性不良行为视频案例，抓取实时直播内容保存为待识别视频；对于已确认为诱导性不良行为的视频案例进行分割，按照违规类型标签对每一分段视频做标注；将待识别长时长视频，按照等长度方法划分为多段短时长视频，对于划分好的短时长视频按统一格式命名，保证多个分段视频的连续性和易读性；

空间特征处理模块，其输出端分别与时间特征处理模块和融合模块的输入端相连接，所述空间特征处理模块用于对已经处理好的短时长视频分段进行视频单帧截取RGB单帧图，并从截取到的RGB单帧图中提取空间特征，然后输入到针对空间特征的诱导性不良行为识别模型中，输出预测结果；

时间特征处理模块，其输出端与融合模块的输入端相连接，所述时间特征处理模块用于在截取到的时序相邻两帧RGB单帧间进行计算，得到瞬时光流信息，合成光流图，并从合成得到的光流图中提取时间特征，然后输入到针对时间特征的诱导性不良行为识别模型中，输出预测结果；

融合模块，用于将得到的针对空间特征的诱导性不良行为识别模型预测结果与针对时间特征的诱导性不良行为识别模型预测结果相融合，得到融合了空间特征与时间特征的数据，融合数据经过分类处理得到一个分段视频的预测结果，在对所有分段视频完成预测后，将多个分段视频的预测结果进行融合计算，得到最终预测结果，最终预测结果就是从直播服务器获取到的长时长视频识别结果；

所述针对空间特征的诱导性不良行为识别模型和针对时间特征的诱导性不良行为识别模型的原始模型均为卷积神经网络模型ResNet152；针对空间特征的诱导性不良行为识别模型和针对时间特征的诱导性不良行为识别模型具体过程为：

步骤3.1：加载通过ImageNet训练集预训练过的卷积神经网络模型ResNet152；

步骤3.2：使用经过处理的RGB单帧图和标记好的视频标签对ResNet152模型进行有针对性地训练，不断调整训练参数，更新模型以达到最好的模型识别准确率，保存得到的针对空间特征的诱导性不良行为识别模型；

步骤3.3：使用经过处理的光流图和视频标签对ResNet152模型进行有针对性地训练，调整训练过程的训练参数，更新模型以达到最好的模型识别准确率，保存得到的针对时间特征的诱导性不良行为识别模型。

2.根据权利要求1所述的针对直播过程中诱导性不良行为的检测系统，其特征在于，所述空间特征处理模块包括：

RGB单帧图截取子模块，RGB单帧图截取子模块的输入端与视频集处理模块的输出端相连接，RGB单帧图截取子模块的输出端分别与空间特征模型处理子模块和时间特征处理模块的输入端相连接；所述RGB单帧图截取子模块用于对已经处理好的短时长视频进行视频单帧截取RGB单帧图操作；

空间特征模型处理子模块，其输出端与融合模块的输入端相连接，所述空间特征模型处理子模块用于从截取到的RGB单帧图中提取空间特征，然后输入到针对空间特征的诱导性不良行为识别模型中，输出预测结果。

3.根据权利要求2所述的针对直播过程中诱导性不良行为的检测系统，其特征在于，所述时间特征处理模块包括：

光流图合成子模块，其输入端与RGB单帧图截取子模块的输出端相连接，光流图合成子模块的输出端与时间特征模型处理子模块的输入端相连接，所述光流图合成子模块，用于截取得到的时序相邻的两帧RGB单帧图间计算，经过计算得到瞬时光流信息，合成光流图；

时间特征模型处理子模块，其输出端与融合模块的输入端相连接，所述时间特征模型处理子模块用于从合成得到的光流图中提取时间特征，然后输入到针对时间特征的诱导性不良行为识别模型中，输出预测结果。