一种基于目标检测的校园异常信息识别方法及其系统技术方案

本发明专利技术公开了一种基于目标检测的校园异常信息识别方法及其系统，包括下列步骤：一、构建基于YOLO的卷积神经网络模型，通过训练得到针对校园异常信息进行识别的识别模型；模型网络结构由YOLO模块和CABNet

【技术实现步骤摘要】
一种基于目标检测的校园异常信息识别方法及其系统


[0001]本专利技术涉及一种基于目标检测的校园异常信息识别方法及其系统及系统。

技术介绍

[0002]校园内存在一些安全隐患，诸如学生斗殴、意外跌倒、翻墙外出和实验室爆炸等。当前计算机视觉中的目标检测技术应用广泛，因此已经出现了一些针对校园中暴力行为或意外事件自动化监控系统，但现有监控识别方式和效果在准确性和可靠性上仍然有所不足，难以准确地实时发现校园异常信息，造成事件处理被延误，因此现有技术仍需要进行进一步改进以解决目前对校园安全进行监控保障时存在的高成本、低效率、准确性低和高延时性的问题。

技术实现思路

[0003]本专利技术的目的是提供一种基于目标检测的校园异常信息识别方法及其系统及系统，用于解决现有技术中无法兼顾对异常信息的识别的实时性和准确性，对校园安全进行监控保障时存在的高成本、低效率、准确性低和高延时性的技术问题。
[0004]所述的一种基于目标检测的校园异常信息识别方法，包括下列步骤。
[0005]一、构建基于YOLO的卷积神经网络模型，通过训练得到针对校园异常信息进行识别的识别模型；基于YOLO的卷积神经网络模型的网络结构由YOLO模块和CABNet
‑
YOLO骨干网络组成。
[0006]二、PC端接收各个监控摄像头所拍摄的视频信息，获取视频流，输送到所述识别模型。
[0007]三、识别模型检测视频流中的异常信息，并在视频中绘制确定发生异常行为的具体的位置信息，PC端将异常信息的类型、位置信息和时间推送至移动端。
[0008]四、移动端接收到来自PC端的异常信息，并在相应通知栏显示相应的异常信息的类型、位置信息和时间。
[0009]优选的，YOLO模块由针对大小目标不同的检测部分组成，由大到小对应N1×
N1网格、N2×
N2网格
……
N
i
×
N
i
网格的若干目标检测部分组成，N
i
＝2N
i
‑1，i＝2，3
…
n，N
i
×
N
i
网格的特征信息是由N
i
‑1×
N
i
‑1网格的特征信息经上采样后与之前相同大小的N
i
×
N
i
网格的特征信息连接堆叠而成。
[0010]优选的，所述CABNet
‑
YOLO骨干网络包括卷积模块、残差模块和跨阶段连接，向CABNet
‑
YOLO骨干网络输入视频流图像后，首先通过卷积滤波器从图像中提取与异常信息相关的特征信息，接着使用最大池化进行下采样操作，然后使用残差模块和跨阶段连接来深度提取相应特征信息。
[0011]优选的，卷积后得到不同大小的特征信息，将不同大小的特征信息输入残差模块，残差模块包括卷积、BNorm和Mish激活三个操作步骤，其中卷积操作包含1
×
1的点积和3
×
3的卷积；不同输入的残差模块的遍历次数不同，重点对N
i
×
N
i
网格数量较小的特征信息进行
多次残差模块的特征提取，在残差模块之后进行跨阶段连接，跨阶段连接是对同维输入的特征信息在空间上的堆叠，堆叠操作的输入来源为各个残差模块操作前的特征信息和操作后的特征信息，堆叠的特征信息的网格大小相同。
[0012]优选的，对异常信息的边界框的检测包括：(1)对先验框的选取，使用K
‑
means聚类算法对训练集上对相应边界框进行大小归类，从而为本网络模型的训练确定大致的先验框。
[0013](2)基于选取的先验框预测边界框。
[0014]其中预测的边界框由质心(b
x
，b
y
)和宽、高(b
w
，b
h
)两组数据组成。对上述数据的计算公式为：b
x
＝σ(t
x
)+c
x
、b
y
＝σ(t
y
)+c
y
、其中，c
x
、c
y
分别为先验框在特征图上的中心横坐标和中心纵坐标，t
x
、t
y
分别为预测框的中心横坐标的偏移量和中心纵坐标的偏移量。σ为sigmoid函数，作用是将偏移量缩放到(0，1)的范围内。p
w
、p
h
分别为先验框的宽和高，t
w
、t
h
分别为先验框的宽和高二者的对应的缩放比。
[0015](3)采用非极大值抑制法NMS选择最优目标框。
[0016]NMS算法首先根据置信度的得分排序，选取置信度最大的边界框，再判断剩下的边界框和置信度最大的边界框之间的IoU是否超过阈值，将超过阈值的边界框删除而保留置信度最大的边界框，并从没有被删除的边界框中选取置信度第二大的边界框，删除与置信度第二大的边界框的IoU超过阈值的边界框，按上述过程循环直至没有边界框进行比较，由此可以得到对应各个物体的边界框。
[0017]优选的，CABNet
‑
YOLO网络模型通过前向传播计算得到预测框的边界框信息，以及相应置信度和分类信息；CABNet
‑
YOLO网络模型的损失函数对应分为三个部分，边界框的偏移量损失、置信度损失和分类损失，在CABNet
‑
YOLO网络模型中反向传播更新网络的权重参数，周而复始，直至损失函数达到最低；其中损失函数相关计算公式如下。
[0018](1)边界框的偏移量损失的计算公式。
[0019][0020]上式中，S2代表划分的网格数，B代表3种不同的先验框，计算的是预测框和目标框的质心坐标的偏移量，计算的是预测框和目标框的宽高差；是对于边界框的偏移量判断某个栅格的边界框是否负责预测对象的函数，如果为否则就不需要计算损失函数，如果为是则表示需要计算损失函数。
[0021](2)置信度损失的计算公式。
[0022][0023]上式中，是对于置信度判断某个栅格的边界框是否负责预测对象的函数，如果为否则就不需要计算损失函数，否则表示需要计算损失函数；G
ij
用来判断：当某个边界框不负责目标框汇总的对象检测，但又与目标框的IoU大于阈值0.5，这时G
ij
＝0，否则G
ij
＝1。
[0024](3)分类信息损失的计算公式。
[0025][0026]上式中，是对于分类信息判断某个栅格的边界框是否负责预测对象的函数，如果为否则就不需要计算损失函数，如果为是则表示需要计算损失函数；表示预测的概率，表示真实的概率。
[0027]由上述L1、L2、L3三种损失的计算公式相结合得到CA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的校园异常信息识别方法，其特征在于：包括下列步骤：一、构建基于YOLO的卷积神经网络模型，通过训练得到针对校园异常信息进行识别的识别模型；基于YOLO的卷积神经网络模型的网络结构由YOLO模块和CABNet
‑
YOLO骨干网络组成；二、PC端接收各个监控摄像头所拍摄的视频信息，获取视频流，输送到所述识别模型；三、识别模型检测视频流中的异常信息，并在视频中绘制确定发生异常行为的具体的位置信息，PC端将异常信息的类型、位置信息和时间推送至移动端；四、移动端接收到来自PC端的异常信息，并在相应通知栏显示相应的异常信息的类型、位置信息和时间。2.根据权利要求1所述的一种基于目标检测的校园异常信息识别方法，其特征在于：YOLO模块由针对大小目标不同的检测部分组成，由大到小对应N1×
N1网格、N2×
N2网格
……
N
i
×
N
i
网格的若干目标检测部分组成，N
i
＝2N
i
‑1，i＝2，3
…
n，N
i
×
N
i
网格的特征信息是由N
i
‑1×
N
i
‑1网格的特征信息经上采样后与之前相同大小的N
i
×
N
i
网格的特征信息连接堆叠而成。3.根据权利要求2所述的一种基于目标检测的校园异常信息识别方法，其特征在于：所述CABNet
‑
YOLO骨干网络包括卷积模块、残差模块和跨阶段连接，向CABNet
‑
YOLO骨干网络输入视频流图像后，首先通过卷积滤波器从图像中提取与异常信息相关的特征信息，接着使用最大池化进行下采样操作，然后使用残差模块和跨阶段连接来深度提取相应特征信息。4.根据权利要求3所述的一种基于目标检测的校园异常信息识别方法，其特征在于：卷积后得到不同大小的特征信息，将不同大小的特征信息输入残差模块，残差模块包括卷积、BNorm和Mish激活三个操作步骤，其中卷积操作包含I
×
I的点积和3
×
3的卷积；不同输入的残差模块的遍历次数不同，重点对N
i
×
N
i
网格数量较小的特征信息进行多次残差模块的特征提取，在残差模块之后进行跨阶段连接，跨阶段连接是对同维输入的特征信息在空间上的堆叠，堆叠操作的输入来源为各个残差模块操作前的特征信息和操作后的特征信息，堆叠的特征信息的网格大小相同。5.根据权利要求2所述的一种基于目标检测的校园异常信息识别方法，其特征在于：对异常信息的边界框的检测包括：(1)对先验框的选取，使用K
‑
means聚类算法对训练集上对相应边界框进行大小归类，从而为本网络模型的训练确定大致的先验框；(2)基于选取的先验框预测边界框；其中预测的边界框由质心(b
x
，b
y
)和宽、高(b
w
，b
h
)两组数据组成。对上述数据的计算公式为：b
x
＝σ(t
x
)+c
x
、b
y
＝σ(t
y
)+c
y
、其中，c
x
、c
y
分别为先验框在特...

【专利技术属性】
技术研发人员：周叶凡，朱先远，王睿，
申请(专利权)人：安徽商贸职业技术学院，
类型：发明
国别省市：