论文总字数：31169字

摘 要

近年来，随着全球安全问题和恐怖暴力事件的日益严重，全球将更加重视公共安全。因此，人们需要一种视频监控的安全行为管理检测技术，即实时监控人的行为并将其分为正常行为和异常不安全行为，并能自动识别不安全行为的管理检测技术。人体行为的识别对于公共安全有着特殊的意义。

本文介绍了几种图像处理和识别技术以及相关的算法，并且分析比较了它们的特点。在二维图片的检测和识别技术的基础上，开展本文涉及的视频序列动作识别工作。

对比分析了Resnet、Densenet、I3D等视频网络的特点，选择应用I3D网络框架对行为序列进行识别，本文寻找了大量的相关数据集通过编写相关程序对其进行机器学习和行为分析。参数配置方面，视频训练使用标准SGD,动量设置为0.9。本文应用UCF 101、UCF-Crime数据集。在训练本文选取的数据集之前，对Kinetics数据集先进行预训练，从得到的结果来看，效果提升明显。数据选取了可能会对公共安全构成威胁的特定动作，包括打斗，纵火，枪击，爆炸等动作进行测试仿真。

面向公共安全的动作识别技术对于公共安全具有重大意义，合理运用这项技术，在发现实时视频中存在不安全行为时，可以为构建自动预警系统奠定一定的基础。

关键词：视频监控 视频处理 神经网络 图像处理 深度学习

Algorithm and program design of human specific behavior recognition

for public safety

Abstract

In recent years, with the increasing global security issues and terrorist violence, countries pay more attention to public security. Therefore, people need a kind of security behavior management detection technology of video monitoring, that is, real-time monitoring of human behavior and dividing it into normal behavior and abnormal unsafe behavior, and can automatically identify unsafe behavior management detection technology. The recognition of human behavior has special significance for public security.

This paper introduces and compares several image processing and recognition technologies and related algorithms, and analyzes and compares their characteristics. Based on the two-dimensional image detection and recognition technology, the video sequence action recognition work involved in this paper is carried out.

In this paper, the characteristics of Resnet, Densenet,I3D and other video networks are compared and analyzed. The I3D network framework is selected to identify the behavior sequence. In this paper, a large number of relevant data sets are searched and machine learning and behavior analysis are carried out by writing relevant programs. In terms of parameter configuration, video training uses standard SGD and momentum is set to 0.9. In this paper, UCF 101 and UCF crime data sets are applied. Before training the data set selected in this paper, the kinetic data set is pre trained. From the results, the effect is significantly improved. The data selects specific actions that may pose a threat to public security, including fighting, arson, shooting, explosion and other actions for test and simulation.

Action recognition technology for public security is of great significance for public security. Reasonable use of this technology can lay a certain foundation for the construction of automatic early warning system when unsafe behaviors are found in real-time video.

Key words: video surveillance video processing neural network

image processing deep learning

目录

第一章 绪论 7

1.1研究背景 7

1.2国内外研究现状 7

1.2.1国外研究现状 8

1.2.2国内研究现状 8

1.2.3技术难点分析 9

1.3课题研究意义 10

1.4 论文写作安排 10

第二章 相关理论及技术 11

2.1 引言 11

2.2相关理论 11

2.2.1 卷积神经网络 11

2.2.2 3D卷积神经网络 13

2.3 人体特定动作行为识别技术的研究 14

2.3.1目标检测 14

2.3.2目标跟踪 15

2.3.3目标行为识别 15

2.4本章小结 16

第三章 单帧图片的行为动作分析及程序的实现 17

3.1 引言 17

3.2 图像预处理 17

3.3 AlexNet 网络结构及参数配置 18

3.3.1 AlexNet 网络结构 18

3.3.2 参数设置 18

3.4 网络训练过程 19

3.5 模型测试 20

3.6 本章小结 20

第四章 视频序列的行为动作分析和检测识别 22

4.1 引言 22

4.2 I3D网络框架介绍及参数配置 22

4.2.1 I3D网络框架 22

4.2.2 参数配置 23

4.3公共数据库介绍 27

4.4实验环境 28

4.5行为模式训练与微调 29

4.6 测试过程 32

4.7实验结果对比分析 33

第五章 总结与展望 35

5.1研究工作 35

5.2工作展望 35

参考文献 37

致谢 39

附录1 主程序代码 40

第一章 绪论

1.1研究背景

近年来，计算机的学习能力越来越强，人们已不再满足仅仅利用计算机处理数据，人们希望计算机能够通过学习，自己来识别人体不安全行为动作。在当今，公共暴力事件频繁发生，规模不断扩大。未来，公共安全与社会上每个人的联系都会更加密切。如果公共安全不能得到保障，那么社会的稳定就无法得到保障。为了更好维护公共安全，保障公民在公共场合不受伤害，需要在传统的监控系统上加以改进。目前，传统监控系统只能在一定程度能够减少安全意外的发生。目前，城市的重要场合都安装有监控，但是现有的监控体系无法满足实时监测，这项工作需要大量的安保人员，且人工很容易造成遗漏。新兴的技术将人工智能与机器学习集成在一起^[1]，当监控中的人做出危害公共安全的动作时，就会发出预警。随着硬件方面，摄像头的分辨率不断提高，和科学技术，图像处理等软实力的不断提升，人体动作识别技术必将迎来更大的发展。

请支付后下载全文，论文总字数：31169字