一种基于肢体语言深度学习的人质挟持风险评估方法技术

本发明专利技术公开了一种基于肢体语言深度学习的人质挟持风险评估方法。所述方法包括以下步骤：使用Kinect摄像头进行肢体动作的捕捉和收集；分别搭建卷积神经网络（CNN）和双向长短时记忆条件随机场（Bi‑LSTM‑CRF）对人体静态运动和动态运动进行分析，动作进行分类标记和描述；根据分类标记和描述评估该动作在人质挟持时可能产生的风险水平。本发明专利技术考虑到静态身体运动和动态身体运动，达到了更高的效率。

【技术实现步骤摘要】
一种基于肢体语言深度学习的人质挟持风险评估方法
本专利技术属于动作检测领域，特别涉及一种基于肢体语言深度学习的人质挟持风险评估方法。
技术介绍
劫持人质案件是指犯罪分子或实施劫持的行为人,公开的以暴力、胁迫或其他手段控制一人或多人的人身自由；并以生命、伤害、折磨或者继续摧残扣押被控制者相威胁,强迫第三方或被控制者本人满足其某种要求的犯罪行为。由于被控制者客观上已经成了劫持者实现个人满足自身要求的“筹码”,所以被称为人质(李恒.劫持人质案件的类型与特点[J].辽宁警察学院学报,2012(4):44-49.)。劫持人质犯罪是世界各国公认的最严重的一类犯罪，是和平年代里最极端的犯罪表现形式之一。劫持人质犯罪一旦发生，不仅危及人质生命安全，而且会在社会上造成难以消除的恐怖气氛，严重影响社会治安稳定。因此，如何有效预防和处置劫持人质犯罪问题，受到了政府、警方、媒体和社会舆论的广泛关注，也给我国警察系统提出了一个重要的刑事司法实践课题(张跃兵.论劫持人质事件应急处置机制[J].湖北警官学院学报,2009,22(006):58-62.)。实践中，绝大本文档来自技高网...

【技术保护点】
1.一种基于肢体语言深度学习的人质挟持风险评估方法，其特征在于，包括以下步骤：/nS1、使用Kinect摄像头进行肢体动作的捕捉和收集；/nS2、分别搭建卷积神经网络(CNN)和双向长短时记忆条件随机场(Bi-LSTM-CRF)对人体静态运动和动态运动进行分析，并对动作进行分类标记和描述；/nS3、根据分类标记和描述评估该动作在人质挟持时可能产生的风险水平。/n

【技术特征摘要】
1.一种基于肢体语言深度学习的人质挟持风险评估方法，其特征在于，包括以下步骤：
S1、使用Kinect摄像头进行肢体动作的捕捉和收集；
S2、分别搭建卷积神经网络(CNN)和双向长短时记忆条件随机场(Bi-LSTM-CRF)对人体静态运动和动态运动进行分析，并对动作进行分类标记和描述；
S3、根据分类标记和描述评估该动作在人质挟持时可能产生的风险水平。


2.根据权利要求1所述的一种基于肢体语言深度学习的人质挟持风险评估方法，其特征在于，步骤S1中，通过Kinect中嵌入的应用程序接口执行人体定位和跟踪，当人体进入Kinect的工作空间时，通过三维数据的特征来检测人体，并通过API计算人体骨架；骨骼的关节点从Kinect中获得，并在Kinect中表示，将每一时刻的骨骼关节点位置记录下来，最终形成序列骨架数据。


3.根据权利要求2所述的一种基于肢体语言深度学习的人质挟持风险评估方法，其特征在于，步骤S2中，采用BAP编码系统将肢体运动分为姿态和动作两部分，对应于静态运动和动态运动；采用卷积神经网络(CNN)和双向长短时记忆条件随机场(Bi-LSTM-CRF)来处理静态运动和动态运动；静态运动包括无法用骨骼区分的旋转运动，动态运动是一种时间特征；利用双LSTM对序列骨架数据进行分析，可以降低复杂度，并能从两个方向考虑状态。


4.根据权利要求3所述的一种基于肢体语言深度学习的人质挟持风险评估方法，其特征在于，针对静态运动，在网络上搜索并选取若干与人质挟持相关的视频图像，从中人工选出一些包含人质挟持情况的帧，其中80％输入卷积神经网络(CNN)进行训练，另外20％用于测试，并对输入的图像进行人工标记，从而表示图像中人体实际所做出的动作；在训练过程中，通过CNN的数据处理得到输入图像的分类结果即图像中人体所被识别出的的动作，并将相应的人工标记与分类结果进行比较，计算出相对误差；训练后，人工对CNN卷积窗上的权值进行不断修正，使相对误差不断减小，最终趋于收敛；然后将测试集输入到CNN中测试分类性能；
输入视频图像至训练完的CNN中，得到带有不同特征的静态运动，再将带有不同特征的静...

【专利技术属性】
技术研发人员：杜广龙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44