一种基于锚节点的图像中暴力事件检测系统及方法技术方案

本发明专利技术涉及视频图像处理技术，其公开了一种基于锚节点的图像中暴力事件检测方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。该方法包括以下步骤：a.用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；b.根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；c.用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。此外，本发明专利技术还公开了一种基于锚节点的图像中暴力事件检测系统，适用于多种应用场景。

An Image Violence Detection System and Method Based on Anchor Node

The invention relates to video image processing technology, which discloses an image violence detection method based on anchor nodes, which can automatically analyze and detect violence in video stream, improve the real-time and accuracy of detection, and can adapt to various monitoring environments. The method includes the following steps: A. to obtain the sample features according to all the feature vectors of the image data set, and to get the anchor nodes according to the sample features; B. to calculate the hash codes corresponding to the samples in the data set according to the similarity between the anchor nodes and the samples in the image data set; C. to use the hash codes corresponding to the samples in the image data set as input and adopt the trained SVM. The model predicts the image to judge whether there is violence in the image. In addition, the invention also discloses an image violence detection system based on anchor nodes, which is suitable for various application scenarios.

【技术实现步骤摘要】
一种基于锚节点的图像中暴力事件检测系统及方法
本专利技术涉及视频图像处理技术，具体涉及一种基于锚节点的图像中暴力事件检测系统及方法。
技术介绍
随着监控系统的大量使用，视频数据出现爆发性的增长。监控系统的作用是进行目标检测以及异常行为检测。随着数据的急剧增长，传统的依靠人工监控的方式已愈发困难，且效率低下。因此，依靠人工智能的监控系统的研究成为了热点。其中，对于人的暴力行为的检测是非常重要的研究方向。由于暴力行为的动作比起简单的跑、跳行为要复杂很多，所以如何进行暴力行为检测也是相关研究的难点。目前，传统的暴力行为检测主要是采用基于人工设计特征的方法，虽然识别准确率较高，但是也具有某些缺陷，比如：不能达到实时的效果，易受噪声的影响等。
技术实现思路
本专利技术所要解决的技术问题是：提出一种基于锚节点的图像中暴力事件检测系统及方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。本专利技术解决上述技术问题所采用的技术方案是：一种基于锚节点的图像中暴力事件检测系统，包括：锚节点提取模块、哈希码计算模块和图像预测模块；所述锚节点提取模块，用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；所述哈希码计算模块，用于根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；所述图像预测模块，用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。作为进一步优化，所述锚节点提取模块具体用于，采用人体骨架特征提取方法在图像数据集上获得图像中人物的关节点数据，再将相邻两帧间的关节点比较得到每个关节点的位移矢量作为样本特征，使用聚类算法求出锚节点。作为进一步优化，所述哈希码计算模块具体用于，计算锚节点和图像数据集所有的样本之间的近似相似度矩阵，再通过近似相似度矩阵来模拟相似度矩阵，并求取代替相似度矩阵的辅助矩阵,然后计算辅助矩阵的特征值和特征向量，最后根据所述特征值和特征向量计算数据集中的样本对应的哈希码。作为进一步优化，所述采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件，具体包括：将待预测的图像数据集的各样本对应的哈希码输入至训练好的SVM模型中，若样本的输出结果为1，则判定为暴力帧，若样本的输出结果为0，则判定为非暴力帧，最后根据暴力帧所占比重是否超出一定比例来判断是否存在暴力事件。作为进一步优化，所述锚节点提取模块、哈希码计算模块和图像预测模块均被部署于同一个服务器上；或者，所述锚节点提取模块、哈希码计算模块被部署于同一个服务器上，而所述图像预测模块被部署于另外一个服务器上。此外，基于上述系统，本专利技术还提出了一种基于锚节点的图像中暴力事件检测方法，其包括以下步骤：a.用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；b.根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；c.用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。作为进一步优化，步骤a具体包括：采用人体骨架特征提取方法在图像数据集上获得图像中人物的关节点数据，再将相邻两帧间的关节点比较得到每个关节点的位移矢量作为样本特征，使用聚类算法求出锚节点。作为进一步优化，步骤b具体包括：计算锚节点和图像数据集所有的样本之间的近似相似度矩阵，再通过近似相似度矩阵来模拟相似度矩阵，并求取代替相似度矩阵的辅助矩阵,然后计算辅助矩阵的特征值和特征向量，最后根据所述特征值和特征向量计算数据集中的样本对应的哈希码。作为进一步优化，步骤c中，训练SVM模型的方法是：以训练图像数据集作为图像数据集，执行步骤a和b，利用SVM模型对获得的哈希码进行训练，获得训练好的SVM模型。作为进一步优化，步骤c具体包括：将待预测的图像数据集的各样本对应的哈希码输入至训练好的SVM模型中，若样本的输出结果为1，则判定为暴力帧，若样本的输出结果为0，则判定为非暴力帧，最后根据暴力帧所占比重是否超出一定比例来判断是否存在暴力事件。本专利技术的有益效果是：通过对已有的分好类的图像进行处理提取为样本后，将这些样本用机器学习的方法训练出模型，再对待预测的图像做处理后使用模型进行预测。对于多种不同类型的监控场所，该方法能够对视频流进行自动地分析，如果检测到暴力行为的发生，立马触发报警装置进行报警，管理人员则可以第一时间获得通知，并进行相应的处理，具有实时性；而在对图像进行处理时，以求出的锚节点作为区分的特征向量，从而提高暴力行为预测的高效性和准确性。附图说明图1为本专利技术中的暴力事件检测方法流程图；图2为实施例1中的暴力事件检测非实时分布式处理示意图；图3为实施例2中的暴力行为检测实时集中式处理示意图。具体实施方式本专利技术旨在提出一种基于锚节点的图像中暴力事件检测系统及方法，自动对视频流中的暴力行为进行分析检测，提高检测的实时性和准确性，且能适应多种不同的监测环境。在本专利技术中，通过对已有的分好类的图像进行处理提取为样本后，将这些样本用机器学习的方法训练出模型，再对待检测图像做处理后使用模型进行预测。为便于理解，首先对本专利技术中可能出现的技术用语进行解释：1.锚节点：通常是根据某种聚类算法或其他比较突出的特征在许多普通节点中求出的，作为信标一样的存在。2.SVM：即支持向量机，在机器学习领域，是一个有监督的学习模型，目的是找到一个函数可以最多的将不同标签的数据分隔开。3.相似度矩阵：相似度矩阵是一个n*n的方阵，存放了n个样本间用以表示每两个样本之间的相似度或者说距离。4.哈希码：哈希码是由哈希算法得到的结果，哈希码并不是完全唯一的，它是一种算法，让同一个类的对象按照自己不同的特征尽量的有不同的哈希码，但不表示不同的对象哈希码完全不同。本专利技术中的基于锚节点的图像中暴力事件检测系统，包括：锚节点提取模块、哈希码计算模块和图像预测模块三个部分，其中各个部分的功能如下：所述锚节点提取模块，用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；具体为：首先用人体骨架特征提取方法在原始图像数据集上得到图像中人物的关节点数据，再将相邻两帧间的关节点比较得到每个关节点的位移矢量，再将关节点位移矢量作为样本特征，使用聚类算法求出少量锚节点。所述哈希码计算模块，用于根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；具体为：首先，根据锚节点和数据集所有的样本计算出两者之间的近似相似度矩阵Z；接着，在得到了近似相似度矩阵Z后可以通过计算来估计每个样本间的相似度矩阵A；再通过计算相似度矩阵A的拉普拉斯矩阵L的特征向量和特征值可以得到哈希码。但为了减少空间消耗，改为计算一个替代的小矩阵M，再计算出该矩阵的特征值以及特征向量，最后计算出该数据集每个样本对应的哈希码作为下一步的输入。所述图像预测模块，用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。具体为：将待预测的图像数据集的各样本对应的哈希码输入至训练好的SVM模型中，若样本的输出结果为1，则判定为暴力帧，若样本的输出结果为0，则判本文档来自技高网...

【技术保护点】
1.一种基于锚节点的图像中暴力事件检测系统，其特征在于，包括：锚节点提取模块、哈希码计算模块和图像预测模块；所述锚节点提取模块，用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；所述哈希码计算模块，用于根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；所述图像预测模块，用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。

【技术特征摘要】
1.一种基于锚节点的图像中暴力事件检测系统，其特征在于，包括：锚节点提取模块、哈希码计算模块和图像预测模块；所述锚节点提取模块，用于根据图像数据集的所有特征向量获得样本特征，并根据所述样本特征求取锚节点；所述哈希码计算模块，用于根据锚节点与图像数据集的样本之间的相似度计算数据集中的样本对应的哈希码；所述图像预测模块，用于将图像数据集的各样本对应的哈希码作为输入，采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件。2.如权利要求1所述的一种基于锚节点的图像中暴力事件检测系统，其特征在于，所述锚节点提取模块具体用于，采用人体骨架特征提取方法在图像数据集上获得图像中人物的关节点数据，再将相邻两帧间的关节点比较得到每个关节点的位移矢量作为样本特征，使用聚类算法求出锚节点。3.如权利要求1所述的一种基于锚节点的图像中暴力事件检测系统，其特征在于，所述哈希码计算模块具体用于，计算锚节点和图像数据集所有的样本之间的近似相似度矩阵，再通过近似相似度矩阵来模拟相似度矩阵，并求取代替相似度矩阵的辅助矩阵,然后计算辅助矩阵的特征值和特征向量，最后根据所述特征值和特征向量计算数据集中的样本对应的哈希码。4.如权利要求1所述的一种基于锚节点的图像中暴力事件检测系统，其特征在于，所述采用训练好的SVM模型进行图像预测，以判断图像中是否存在暴力事件，具体包括：将待预测的图像数据集的各样本对应的哈希码输入至训练好的SVM模型中，若样本的输出结果为1，则判定为暴力帧，若样本的输出结果为0，则判定为非暴力帧，最后根据暴力帧所占比重是否超出一定比例来判断是否存在暴力事件。5.如权利要求1-4任意一项所述的一种基于锚节点的图像中暴力事件检测系统，其特征在于，所述锚节点提取模块、哈希码计算模块和图像预测模块均被部署于同一个服务器上；或...

【专利技术属性】
技术研发人员：殷光强，田玲，张栗粽，包益全，
申请(专利权)人：四川电科维云信息技术有限公司，
类型：发明
国别省市：四川,51