论文部分内容阅读
在人体异常行为检测方面,结合深度学习的研究是当前的前沿研究课题。深度学习正影响着安防企业,在各种安全监控场景中,智能监控逐渐成为一种发展趋势。而实验室作为科研单位的重要场所自然也会有各种复杂多样的安全监控场景,同时实验室中的科研人员成为了主要的安全监控对象。因此,本课题以复杂的实验室为测试场景,将深度学习应用到监控中的人体异常行为检测,实现对实验室人员的异常行为进行检测,从而能实时地发现人体异常行为,为之后的预警等安防措施建立基础,对于提高实验室智能化水平和安全级别也具有重要意义。本文的主要内容如下:(1)根据实验需求,为了提高特定场景下人体异常行为检测的准确性,建立了自定义的人体异常行为实验数据集。本课题基于安全监控中的数据进行研究,由于采用深度学习的方法,需要建立数据集,同时由于针对特定场景,已有的数据集无法满足实验需求。实验中利用实验室上网工作室内的监控数据,对定义的人体异常行为进行检测。通过对视频的帧截取,图像筛选,标签标定等一系列操作,建立了人体异常行为训练和测试的数据集。(2)针对实验室复杂场景人体异常行为难检测的问题,实验直接对异常行为进行分类建立数据集,进而对基于YOLO的网络结构进行训练,从而获得检测模型(YOLO-Abnormal Behavior Detection,YOLO-ABD)。训练获得YOLOABD模型的主要步骤如下:通过将复杂的异常行为输入到深度神经网络YOLO中进行自动特征提取和分类,将目标提取这一步交给神经网络,与之后的目标分类同时放到一个网络中,利用神经网络的深层次特征提取、高精度检测分类特性,可以将定义的异常行为准确的检测出来,实现从输入数据到输出检测结果的端到端的异常行为检测。通过GPU对检测过程进行加速验证,可以满足对监控视频的实时检测要求。本文根据对监控场景的异常行为定义需求,建立了人体异常行为实验数据集,将目标检测网络模型YOLO应用于检测人体异常行为,通过网络训练获得的YOLO-ABD网络模型可以很好地检测出异常行为,实验中召回率已经达到90%以上,明显高于Face++平台的人体检测75.7%的召回率,并且平均精确率达到95%以上,同时用简易模型进行了验证。在实验GPU加速情况下对于视频流的检测速度可以达到30FPS左右,很好地满足了实时检测的要求。