申请/专利权人：江苏理工学院

申请日：2019-12-16

公开（公告）日：2024-02-23

公开（公告）号：CN111191528B

主分类号：G06V40/20

分类号：G06V40/20;G06V20/52;G06V10/774;G06V10/82;G06N3/0464;G06N3/08;G06N3/06

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2020.06.16#实质审查的生效;2020.05.22#公开

摘要：本发明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。

主权项：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，其中，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，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Oi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，yi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，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表示第l层神经元，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为卷积核，b为偏置项。

全文数据：

权利要求：

百度查询： 江苏理工学院 基于深度学习的校园暴力行为检测系统和方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD