校园危险行为检测方法技术

本发明专利技术公开了校园危险行为检测方法

【技术实现步骤摘要】
校园危险行为检测方法、系统、设备及存储介质


[0001]本专利技术涉及校园危险行为检测
，特别是涉及校园危险行为检测方法
、
系统
、
设备及存储介质
。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术
。
[0003]随着深度学习的发展和在教育领域的普及，结合计算机视觉技术对视频的画面进行分析和处理已经是必然趋势，目标检测和行为识别在工业
、
安全
、
医疗和教育领域的应用也逐渐广泛和深入
。
校园危险行为是指在校园中出现的如打架，楼梯间奔跑等行为和动作，校园内的安全问题错综复杂，人为干预难度大耗时费力且容易有疏漏
。
校园安全防范目前主要依赖校方组织教育学习
。
监控设备目前在安全防护方面往往充当事后分析的角色
。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供了校园危险行为检测方法
、
系统...

【技术保护点】

【技术特征摘要】
1.
校园危险行为检测方法，其特征是，包括：获取待检测的图像；将待检测的图像，输入到训练后的校园危险行为检测模型中，输出校园危险行为检测结果；其中，训练后的校园危险行为检测模型采用改进的
yolov7
来实现，改进的
yolov7
是将原始
yolov7
的
head
模块的
cat
单元，替换为注意力机制单元
CM
；训练后的校园危险行为检测模型，训练过程中所采用的损失函数为
DRIoU。2.
如权利要求1所述的校园危险行为检测方法，其特征是，所述训练后的校园危险行为检测模型，训练过程包括：构建数据集，对数据集进行增强处理，将数据集按照比例划分为训练集
、
验证集和测试集；所述数据集为已知校园危险行为标签的校园内部监控图像；所述标签包括：吸烟
、
打架
、
教室内奔跑；将训练集输入到校园危险行为检测模型中，对模型进行训练，当模型的损失函数
DRIoU
不再下降时，停止训练，得到初步训练后的模型；采用验证集对初步训练后的模型进行验证；采用测试集对初步训练后的模型进行测试；当测试指标均达到设定阈值时，停止训练，得到训练后的校园危险行为检测模型
。3.
如权利要求2所述的校园危险行为检测方法，其特征是，所述对数据集进行增强处理，包括：对图像进行翻转
、
对比度调整
、
添加高斯噪声
、
调整曝光程度
、
对颜色空间进行增强模拟不同光照水平
。4.
如权利要求2所述的校园危险行为检测方法，其特征是，所述测试指标，包括：检测效率
、
准确率
、
召回率
、
精确度；检测效率：
IOU
表示目标检测框的交并比；准确率：召回率：精确度：召回率
F
‑1计算：其中，
b
表示预测框，
b
gt
目标的中心点，
ρ2表示计算真实框的中心点和预测框的中心点
的欧氏距离，
c
表示包含真实框和预测框的并集区域对角线的距离
,w1、w2、h1、h2
分别代表预测框和真实框的宽度和高度，
TP
代表真正例，模型判断和实际均为正确；
TN
代表真反例，被模型预测为负类的负样本；
FP
代表假正例，被模型预测为正的负样本；
FN
代表假反例，被模型预测为负的正样本
。5.
如权利要求2所述的校园危险行为检测方法，其特征是，所述损失函数
DRIoU
，具体表达为：达为：达为：达为：其中，
b
表示预测框，
b
gt
表示目标的中心点，
ρ2表示计算真实框的中心点和预测框的中心点的欧氏距离，
c
表示包含真实框和预测框的并集区域对角线的距离，
w1代表预测框的宽度，
w2代表真实框的宽度，
h1代表预测框的高度，
h2代表真实框的高度，
l1和
l2代表两向量的长度，
arctan(x)
的函数值并不会随着
x
值的不断增大而快速上升
。6.
如权利要求1所述的校园危险行为检测方法，其特征是，所述改进的
yolov7
，包括：依次连接的第一
CBS
模块
、
第二
CBS
模块
、
第三
CBS
模块
、
第四
CBS
模块
、
第一
ELAN
模块
、
第一
MP
‑1模块
、
第二
ELAN
模块
、
第二
MP
‑1模块
、
第三
EALN
模块
、
第三
MP
‑1模块
、
第四
ELAN
模块
、SPPCSPC
模块
、
第五
CBS
模块
、
第一上采样模块
、
第一注意力机制模块
CM、
第一
ELAN
‑
W
模块
、
第六
CBS
模块
、
第二上采样模块
、
第二注意力机制模...

【专利技术属性】
技术研发人员：刘祥志，邱文科，吴晓明，尹训嘉，裴加彬，
申请(专利权)人：齐鲁工业大学山东省科学院山东山科智能科技有限公司，
类型：发明
国别省市：