一种基于深度学习的人体冲突检测方法技术

本发明专利技术公开了一种基于深度学习的人体冲突检测方法，具体涉及人工智能技术应用领域，具体包括以下步骤：S1、使用Tiny YOLO框选出视频中的人物；S2、将视频切块，使用Alpha Pose进行肢体检测，并输出肢体动作；S3、使用ST

【技术实现步骤摘要】
一种基于深度学习的人体冲突检测方法


[0001]本专利技术涉及人工智能技术应用领域，尤其涉及一种基于深度学习 的人体冲突检测方法。

技术介绍

[0002]目前学术和工业界出现的目标检测算法分成2类：
[0003][0004]第一类是传统的目标检测算法：Cascade+HOG/DPM+Haar/SVM 以及上述方法的诸多改进、优化；第二类是候选区域/框+深度学习 分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的 分类的方案，如：R
‑
CNN(Selective Search+CNN+SVM)，SPP
‑
net (ROI Pooling)，Fast R
‑
CNN(Selective Search+CNN+ROI)， Faster R
‑
CNN(RPN+CNN+ROI)，R
‑
FCN等系列方法；
[0005]第一类的传统目标检测算法，通过级联的方式进行网络预测，提 取特征费事费力，对服务器算力的要求巨大，而且很难满足实时性的 预测场景本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人体冲突检测方法，其特征在于，具体包括以下步：S1、使用Tiny YOLO框选出视频中的人物；S2、将视频切块，使用Alpha Pose进行肢体检测，并输出肢体动作；S3、使用ST
‑
GCN识别可疑动作的片段；S4、使用Flow Gated network识别非法证据。2.根据权利要求1所述的一种基于深度学习的人体冲突检测方法，其特征在于，所述步骤S1中构建框选视频里的人物包括以下子步骤：S11、将视频输入到Tiny YOLO网络中，S12、经过Backbone部分：利用VGG16、ResNet
‑
50、SpineNet、EfficientNet
‑
B0/B7、CSPResNeXt50、CSPDarknet53的编码器进行多次特征提取，获取视频最重要的特征，并且加入残差链接、深度可分离卷积、多尺度池化等操作，将高维特征映射到低维空间，主干部分分为5个特征提取块；S13、再将提出的特征输入到head中，进行密集预测和稀疏预测，并最终输出各个人物的边界框。3.根据权利要求2所述的一种基于深度学习的人体冲突检测方法，其特征在于，所述步骤S12中五个特征提取块具体为：第一特征提取块包括一个卷积核大小为7x7、步长为2的卷积块，第一特征提取模块包括2个卷积块和1个残差块，第1个卷积块通过第2个卷积块和残差块连接，残差块包括2个卷积块，第1个卷积块分别与第2个卷积块和第一特征提取模块中第2个卷积块连接，残差块中的第2个卷积块输出的特征图与第一特征提取模块中的第2个卷积块输出的特征图相加，并将相加结果输入至第二特征提取模块；第二特征提取模块包括1个卷积块和2个残差块，卷积块通过第1个残差块和第2个残差块连接，每个残差块均包括2个卷积块，第1个卷积块与第2个卷积块连接，第1个残差块中的第1个卷积块和第二特征提取模块中的第1个卷积块连接，第2个残差块中的第1个卷积块和第1个残差块中的第2个卷积块连接，最后的残差块中第2个卷积块输出的特征图与第二特征提取模块中的卷积块输出的特征图相加，并将相加结果输入至第三特征提取模块；第三特征提取模块包括1个卷积块和8个残差块，卷积块与第1个残差块连接，第1个残差块依次通过6个残差块与第8个残差块连接；每个残差块均包括2个卷积块，第1个卷积块与第2个卷积块连接；第1个残差块中的第1个卷积块和第三特征提取模块中的卷积块连接，第i+1个残差块中的第1个卷积块和第i个残差块中的第2个卷积块连接，最后的残差块中第2个卷积块输出的特征图与第三特征提取模块中的卷积块输出的特征图相加，并将相加结果输入至第四特征提取模块和第三提取融合网络；第四特征提取模块包括1个卷积块和8个残差块，卷积块与第1个残差块连接，第...

【专利技术属性】
技术研发人员：吴睿佳，范传进，朱东辉，李锦昊，周文浩，高嘉琳，赵思远，朱卓行，
申请(专利权)人：吴睿佳，
类型：发明
国别省市：