基于深度学习的校园暴力行为检测系统和方法技术方案

本发明专利技术提供了一种基于深度学习的校园暴力行为检测系统和方法，其中，所述检测系统包括：图像数据管理模块，图像数据管理模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据，并对图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；深度学习算法训练管理模块，深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据训练数据集和测试数据集对目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；人机交互管理模块，人机交互管理模块用于采用校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警。

Campus violence detection system and method based on deep learning

【技术实现步骤摘要】
基于深度学习的校园暴力行为检测系统和方法
本专利技术涉及图像检测识别
，具体涉及一种基于深度学习的校园暴力行为检测系统和一种基于深度学习的校园暴力行为检测方法。
技术介绍
校园暴力多发生在中小学校园中，大多数情况为学生蓄意滥用躯体力量，在教学楼、宿舍和校园的偏僻角落对一个或多个学生进行肢体殴打，这种暴力行为对被侵害的学生造成严重的生理和心理上的伤害。很多时候学校老师和安保人员本可以通过监控摄像及时发现这种暴力行为，并进行制止，但因为发现不及时或者没有关注监控摄像，错过了制止这种行为的最佳时机。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一，为此，本专利技术一个目的在于提出一种基于深度学习的校园暴力行为检测系统，能够及时发现校园暴力行为，并进行报警，从而能够提高监视效率，为校园安全提供有效保障。本专利技术的第二个目的在于提出一种基于深度学习的校园暴力行为检测方法。为实现上述目的，本专利技术第一方面实施例提出了一种基于深度学习的校园暴力行为检测系统，包括：图像数据管理模块，所述图像数据管理模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；深度学习算法训练管理模块，所述深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以得到校园暴力行为检测算法模型；人机交互管理模块，所述人机交互管理模块用于采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警。根据本专利技术实施例的基于深度学习的校园暴力行为检测系统，首先通过图像数据管理模块获取所需图像数据，并对所获取图像数据进行分类标注和图像增广，将图像数据分为训练和测试两个数据集，然后通过深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据训练和测试两个数据集的图像数据进行训练，以生成校园暴力行为检测算法模型，最后通过人机交互管理模块采用所生成的校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警，由此，能够及时发现校园暴力行为，并进行报警，从而能够提高监视效率，为校园安全提供有效保障。另外，根据本专利技术上述实施例提出的基于深度学习的校园暴力行为检测系统还可以具有如下附加的技术特征：具体地，所述图像数据管理模块包括：图像数据获取模块，所述图像数据获取模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据；标注模块，所述标注模块用于为所述校园暴力行为场景的图像数据标注“是”和为所述非校园暴力行为场景的图像数据标注“否”，并将所述图像数据分为所述训练数据集和所述测试数据集；图像增广模块，所述图像增广模块用于对所述训练数据集进行图像增广，以扩大所述训练数据集的规模。具体地，所述深度学习算法训练管理模块包括：初始化模型获取模块、图像数据导入模块、反复训练调整模块和检测算法模型生成模块，其中，所述反复训练调整模块用于根据所述神经网络算法模型构建目标算法模型，并通过所述初始化模型获取模块将所述神经网络算法模型迁移到所述目标算法模型中，以获取所述目标算法模型的初始化参数，同时通过所述图像数据导入模块导入所述训练数据集和测试数据集，以根据所述训练数据集对所述目标算法模型进行反复训练，以优化所述目标算法模型参数，并根据所述测试数据集测试训练后的目标算法模型的准确度；所述检测算法模型生成模块用于判断所述目标算法模型的准确度是否达到要求，若所述目标算法模型的准确度达到要求，则保存所述目标算法模型及其参数，生成所述校园暴力行为检测算法模型。具体地，所述人机交互管理模块包括：监控图像数据获取模块，所述监控图像数据获取模块用于定时获取校园内各个路口和楼道的监控摄像的监控图像数据；判断模块，所述判断模块用于通过所述校园暴力行为检测算法模型对所述监控图像数据进行判断；结果可视化模块，所述结果可视化模块用于将所述判断模块的判断结果可视化；系统报警模块，所述系统报警模块用于在所述判断结果为发生校园暴力时进行报警。优选地，所述神经网络算法模型为通过ImageNet数据集构建的神经网络模型ResNet-18。有利地，所述神经网络算法模型包括：softmax激活函数，所述softmax激活函数用于计算所述图像数据表示暴力行为场景“是”和“否”的概率，所述softmax激活函数表达式为：O＝xw+b其中，加法运算使用了广播机制，O，且这两个矩阵的第i行分别为第i张图片的输出O(i)和概率分布交叉熵损失函数，所述交叉熵损失函数表达式为：其中，n为样本数，为预测值，y(i)为真实值。随机梯度下降算法，所述随机梯度下降算法用于迭代所述目标算法模型参数，以优化损失函数，所述随机梯度下降算法表达式为：其中，β为每个小批量中的样本个数，η为学习率，wi为随机起始数，b为偏置项。具体地，所述神经网络算法模型包括全连接层，所述全连接层相当于神经节点之间作内积运算，所述内积运算包括前向计算和后向计算，其中，所述前向计算用于计算每个神经元的输出值，所述前向计算表达式为：y＝WTx+b所述后向计算用于计算每个神经元的误差项，所述后向计算表达式为：其中，y∈Rm×1为神经元的输出，x∈Rn×1为神经元的输入，W∈Rn×m为神经元的权值，b为偏置项，l为该层神经元。具体地，所述神经网络算法模型中，通过权重矩阵的调整得到所述目标算法模型的极小化误差，所述权重参数的调整方向可表示为：其中，η为学习率，δ为残差，E为损失函数，Wl为l层神经元权值，xl-1为l层前一层神经元的输入，T为矩阵转置，u卷积核，b为偏置项。为实现上述目的，本专利技术第二方面实施例提出了一种基于深度学习的校园暴力行为检测方法，包括以下步骤：获取校园暴力行为和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警。根据本专利技术实施例的基于深度学习的校园暴力行为检测方法，首先通过对获取的图像数据进行分类标注和图像增广，将图像数据分为训练和测试两个数据集，然后基于神经网络算法模型构建目标算法模型，并根据训练和测试两个数据集的图像数据进行训练，以生成校园暴力行为检测算法模型，最后采用该校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，并在判断结果为发生校园暴力时进行报警，由此，能够及时发现校园暴力行为，并进行报警，从而能够提高监视效率，为校园安全提供有效保障。<本文档来自技高网...

【技术保护点】
1.一种基于深度学习的校园暴力行为检测系统，其特征在于，包括：/n图像数据管理模块，所述图像数据管理模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；/n深度学习算法训练管理模块，所述深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；/n人机交互管理模块，所述人机交互管理模块用于采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警。/n

【技术特征摘要】
1.一种基于深度学习的校园暴力行为检测系统，其特征在于，包括：
图像数据管理模块，所述图像数据管理模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；
深度学习算法训练管理模块，所述深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；
人机交互管理模块，所述人机交互管理模块用于采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警。


2.根据权利要求1所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述图像数据管理模块包括：
图像数据获取模块，所述图像数据获取模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据；
标注模块，所述标注模块用于为所述校园暴力行为场景的图像数据标注“是”和为所述非校园暴力行为场景的图像数据标注“否”，并将所述图像数据分为所述训练数据集和所述测试数据集；
图像增广模块，所述图像增广模块用于对所述训练数据集进行图像增广，以扩大所述训练数据集的规模。


3.根据权利要求2所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述深度学习算法训练管理模块包括：初始化模型获取模块、图像数据导入模块、反复训练调整模块和检测算法模型生成模块，其中，
所述反复训练调整模块用于根据所述神经网络算法模型构建目标算法模型，并通过所述初始化模型获取模块将所述神经网络算法模型迁移到所述目标算法模型中，以获取所述目标算法模型的初始化参数，同时通过所述图像数据导入模块导入所述训练数据集和测试数据集，以根据所述训练数据集对所述目标算法模型进行反复训练，以优化所述目标算法模型参数，并根据所述测试数据集测试训练后的目标算法模型的准确度，
所述检测算法模型生成模块用于判断所述目标算法模型的准确度是否达到要求，若所述目标算法模型的准确度达到要求，则保存所述目标算法模型及其参数，生成所述校园暴力行为检测算法模型。


4.根据权利要求3所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述人机交互管理模块包括：
监控图像数据获取模块，所述监控图像数据获取模块用于定时获取校园内各个路口和楼道的监控摄像的监控图像数据；
判断模块，所述判断模块用于通过所述校园暴力行为检测算法模型对所述监控图像数据进行判断；
结果可视化模块，所述结果可视化模块用于将所述判断模块的判断结果可视化；
系统报警模块，所述系统报警模块用于在所述判断结果为发生校园暴力时进行报警。


5....

【专利技术属性】
技术研发人员：余光辉，范洪辉，徐镪，朱洪锦，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32