本發(fā)明涉及深度學(xué)習(xí)領(lǐng)域，具體涉及一種校園暴力行為檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、近年來校園欺凌事件時(shí)有發(fā)生，引起社會(huì)各界的廣泛關(guān)注，校園霸凌給受害者心聲帶來巨大傷害，但他們往往處于自尊心、害怕等原因，不愿主動(dòng)上報(bào)家長(zhǎng)和老師。視頻監(jiān)控是一種重要的安全防范手段，但人工查證效率低。

2、近年來，隨著人工智能技術(shù)的迅速發(fā)展，將深度學(xué)習(xí)算法與監(jiān)控視頻結(jié)合自動(dòng)完成檢測(cè)識(shí)別任務(wù)成為新趨勢(shì)。針對(duì)暴力行為檢測(cè)，現(xiàn)有技術(shù)主要集中于基于目標(biāo)檢測(cè)、骨骼點(diǎn)分析和視頻理解的方法。

3、基于目標(biāo)檢測(cè)的暴力行為檢測(cè)方法通過將打架行為視為一種目標(biāo)類別，利用成熟的目標(biāo)檢測(cè)算法(如yolo系列或faster?r-cnn)對(duì)視頻的每一幀進(jìn)行分類和檢測(cè)，以識(shí)別是否存在打架行為。例如公布號(hào)為cn112287754a的現(xiàn)有發(fā)明專利申請(qǐng)文獻(xiàn)《一種基于神經(jīng)網(wǎng)絡(luò)的暴力檢測(cè)方法、裝置、設(shè)備及介質(zhì)》，該現(xiàn)有方法包括：將待檢測(cè)的視頻發(fā)送至預(yù)先部署在云平臺(tái)的暴力檢測(cè)模型，確定出安全等級(jí)；根據(jù)所述安全等級(jí)判斷待檢測(cè)視頻是否為暴力事件；若確定出待檢測(cè)視頻含有暴力事件，根據(jù)安全等級(jí)發(fā)出對(duì)應(yīng)的警告信息。暴力檢測(cè)模型基于3d的cnn網(wǎng)絡(luò)模型與3d的rnn網(wǎng)絡(luò)模型構(gòu)建，其中，cnn網(wǎng)絡(luò)模型用于提取圖片的空間特征；所述rnn網(wǎng)絡(luò)模型用于提取圖片的時(shí)序特征。這種方法雖然較為成熟、實(shí)時(shí)性強(qiáng)，但由于缺乏對(duì)時(shí)序信息的利用，基于單幀的檢測(cè)方法在識(shí)別持續(xù)性暴力行為時(shí)存在漏檢風(fēng)險(xiǎn)，且對(duì)遮擋和光照變化等復(fù)雜場(chǎng)景的適應(yīng)性較差。

4、基于骨骼點(diǎn)的檢測(cè)方法通過openpose或mediapipe等框架提取人體骨骼關(guān)鍵點(diǎn)信息，并結(jié)合邏輯規(guī)則對(duì)暴力行為進(jìn)行判斷。例如，通過分析肢體動(dòng)作的幅度、方向等特征來識(shí)別打架行為。公布號(hào)為cn113269076a的現(xiàn)有發(fā)明專利申請(qǐng)文獻(xiàn)《基于分布式監(jiān)控的暴力行為檢測(cè)系統(tǒng)及檢測(cè)方法》，該現(xiàn)有方法中，m個(gè)監(jiān)控?cái)z像頭分別通過m個(gè)嵌入式設(shè)備中嵌入的改進(jìn)coco模型對(duì)m張監(jiān)控?cái)z像頭采集圖像進(jìn)行處理，獲得處理后的監(jiān)控?cái)z像頭采集圖像數(shù)據(jù)的具體方法為：利用m個(gè)嵌入式設(shè)備對(duì)步驟一獲得的m張監(jiān)控?cái)z像頭采集圖像進(jìn)行人體骨骼關(guān)鍵點(diǎn)提取，然后采用改進(jìn)的openpose模型提取人體骨骼點(diǎn)構(gòu)成人體骨骼模型，形成只包含骨骼模型的視頻流；將所述只包含骨骼模型的視頻流作為處理后的監(jiān)控?cái)z像頭采集圖像數(shù)據(jù)。此類現(xiàn)有方法在減少背景干擾方面具有一定的優(yōu)勢(shì)，能夠更專注于人物的行為特征。然而，該方法對(duì)視頻清晰度和骨骼點(diǎn)提取精度依賴較大，在低質(zhì)量視頻或遮擋場(chǎng)景下性能會(huì)顯著下降。此外，基于規(guī)則的判斷方法缺乏靈活性和適應(yīng)性，難以處理多樣化和復(fù)雜的暴力行為。

5、基于時(shí)空特征提取的三維檢測(cè)方法利用視頻的時(shí)序特性，通過深度學(xué)習(xí)模型(如三維卷積網(wǎng)絡(luò)c3d或時(shí)序卷積網(wǎng)絡(luò)tcn)捕捉暴力行為的動(dòng)態(tài)特征，對(duì)視頻內(nèi)容進(jìn)行整體分析。該方法能夠充分利用行為的時(shí)序信息，對(duì)復(fù)雜動(dòng)作的捕捉能力較強(qiáng)，尤其適用于分析持續(xù)性或短暫性的暴力行為。然而，這種方法的計(jì)算成本較高，難以在資源受限的設(shè)備上實(shí)現(xiàn)實(shí)時(shí)處理。此外，它對(duì)大規(guī)模標(biāo)注數(shù)據(jù)集的依賴性較強(qiáng)，在應(yīng)用于特定場(chǎng)景(如校園監(jiān)控)時(shí)，模型的泛化能力可能受限。

6、現(xiàn)有的暴力行為檢測(cè)技術(shù)在實(shí)際校園監(jiān)控中的應(yīng)用仍存在一定的不足。一方面，單一特征的利用限制了對(duì)復(fù)雜動(dòng)態(tài)場(chǎng)景中暴力行為的全面刻畫；另一方面，檢測(cè)的實(shí)時(shí)性與精度難以兼顧，尤其是在資源有限的情況下。此外，目前公開的數(shù)據(jù)集多為公共場(chǎng)景，缺乏針對(duì)校園環(huán)境的特定數(shù)據(jù)，導(dǎo)致模型在校園監(jiān)控場(chǎng)景中的適應(yīng)性較差。

7、綜上，現(xiàn)有技術(shù)存在由于特征利用不充分導(dǎo)致的漏檢和誤檢、實(shí)時(shí)性與精度難以兼顧以及校園監(jiān)控場(chǎng)景中的適應(yīng)性較差的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于：如何解決現(xiàn)有技術(shù)中由于特征利用不充分導(dǎo)致的漏檢和誤檢、實(shí)時(shí)性與精度難以兼顧以及校園監(jiān)控場(chǎng)景中的適應(yīng)性較差的技術(shù)問題。

2、本發(fā)明是采用以下技術(shù)方案解決上述技術(shù)問題的：一種校園暴力行為檢測(cè)方法包括：

3、s1、構(gòu)建并結(jié)合公共數(shù)據(jù)集、自建校園場(chǎng)景數(shù)據(jù)集，篩選得到校園環(huán)境視頻片段，根據(jù)校園環(huán)境視頻片段，構(gòu)建校園場(chǎng)景暴力行為數(shù)據(jù)集；

4、s2、基于運(yùn)動(dòng)軌跡分析，檢測(cè)校園監(jiān)控視頻暴力行為；其中，構(gòu)建并利用yolov8模型作為檢測(cè)器，從校園場(chǎng)景暴力行為數(shù)據(jù)集中，檢測(cè)監(jiān)控視頻中的行人目標(biāo)；結(jié)合追蹤算法實(shí)時(shí)追蹤行人目標(biāo)，提取運(yùn)動(dòng)軌跡；對(duì)行人目標(biāo)進(jìn)行行為分析，通過長(zhǎng)短期記憶模型分析追蹤得到的運(yùn)動(dòng)軌跡，提取異常行為模式特征，據(jù)以對(duì)得到行人目標(biāo)的行為進(jìn)行判定，供暴力行為預(yù)警、響應(yīng)；

5、s3、設(shè)置并利用視頻理解模型tsm，以進(jìn)行視頻理解操作，捕捉校園場(chǎng)景暴力行為數(shù)據(jù)集中的視頻序列時(shí)序信息，在預(yù)置時(shí)間維度上對(duì)通道特征進(jìn)行時(shí)間偏移操作，在每個(gè)時(shí)間步的輸入特征圖中，進(jìn)行局部時(shí)間信息交換，以提取強(qiáng)時(shí)序依賴性特征，感知行人目標(biāo)的動(dòng)態(tài)行為；對(duì)視頻理解模型tsm以及yolov8模型的輸出數(shù)據(jù)進(jìn)行特征融合操作，得到融合特征圖，據(jù)以進(jìn)行校園監(jiān)控線視頻暴力行為檢測(cè)。

6、本發(fā)明通過構(gòu)建能夠融合多種特征的綜合檢測(cè)系統(tǒng)，基于運(yùn)動(dòng)軌跡動(dòng)態(tài)分析和視頻內(nèi)容整體理解兩個(gè)角度為校園安全管理提供了兩種創(chuàng)新的技術(shù)方案，滿足校園監(jiān)控視頻中的暴力行為檢測(cè)，從而實(shí)現(xiàn)對(duì)校園中暴力行為的進(jìn)行早期預(yù)警和及時(shí)響應(yīng)。本發(fā)明設(shè)計(jì)融合目標(biāo)檢測(cè)和時(shí)序特征的方法，兼顧檢測(cè)精度、計(jì)算復(fù)雜度和實(shí)時(shí)性，同時(shí)充分利用針對(duì)校園場(chǎng)景的定制化數(shù)據(jù)集，能夠滿足校園安全管理對(duì)暴力行為檢測(cè)的實(shí)際需求。

7、本發(fā)明采用tsm是一種基于時(shí)間維度特征偏移的高效視頻理解模型，能夠有效捕捉視頻序列中的時(shí)序信息，進(jìn)而增強(qiáng)對(duì)動(dòng)態(tài)行為的感知能力。tsm通過通過時(shí)間偏移操作，在不增加計(jì)算復(fù)雜度的情況下，將部分通道的特征在時(shí)間維度上進(jìn)行偏移，從而在時(shí)間域內(nèi)實(shí)現(xiàn)信息的有效傳播。這種設(shè)計(jì)使得模型能夠充分挖掘視頻序列中的時(shí)序依賴關(guān)系，并使得時(shí)序信息的流動(dòng)更加高效，從而在不需要大量計(jì)算的前提下取得良好的時(shí)序特征提取效果。

8、在更具體的技術(shù)方案中，s1包括：

9、s11、篩選得到暴力視頻、非暴力視頻、校園場(chǎng)景視頻，以構(gòu)建公共數(shù)據(jù)集；

10、s12、利用預(yù)置采集設(shè)備，采集暴力行為監(jiān)控視頻，以構(gòu)建自建校園場(chǎng)景數(shù)據(jù)集；

11、s13、對(duì)校園場(chǎng)景暴力行為數(shù)據(jù)集進(jìn)行精細(xì)化處理。

12、為滿足校園場(chǎng)景暴力行為檢測(cè)算法的實(shí)際需求，本發(fā)明結(jié)合多個(gè)公共數(shù)據(jù)集與自建校園場(chǎng)景數(shù)據(jù)集，有針對(duì)性地篩選和補(bǔ)充適用于校園環(huán)境的視頻片段，最終設(shè)計(jì)并構(gòu)建了一個(gè)高質(zhì)量的校園場(chǎng)景暴力行為數(shù)據(jù)集，并對(duì)數(shù)據(jù)進(jìn)行了精細(xì)化處理，確保數(shù)據(jù)的多樣性和實(shí)際應(yīng)用的高相關(guān)性。

13、在更具體的技術(shù)方案中，s13包括：

14、s131、對(duì)校園場(chǎng)景暴力行為數(shù)據(jù)集中的視頻進(jìn)行劃分，以轉(zhuǎn)換得到幀序列，供時(shí)序分析；

15、s132、利用預(yù)置標(biāo)注工具對(duì)幀序列，進(jìn)行逐幀標(biāo)注，得到標(biāo)注幀序列；

16、s133、對(duì)標(biāo)注幀序列進(jìn)行增強(qiáng)處理。

17、在更具體的技術(shù)方案中，s2中，利用bot-sort算法，進(jìn)行iou匹配操作、重新識(shí)別reid特征融合操作，在多目標(biāo)情形下，追蹤每個(gè)行人目標(biāo)的運(yùn)動(dòng)軌跡；

18、bot-sort算法中，通過yolov8模型檢測(cè)出視頻幀中的所有行人目標(biāo)；

19、根據(jù)行人目標(biāo)的交并比iou匹配機(jī)制，在連續(xù)幀間追蹤目標(biāo)，獲取并結(jié)合reid特征向量，為每個(gè)行人目標(biāo)進(jìn)行id賦值操作，據(jù)以在視頻流中持續(xù)跟蹤行人目標(biāo)的運(yùn)動(dòng)軌跡。

20、在暴力行為識(shí)別過程中，進(jìn)行運(yùn)動(dòng)軌跡數(shù)據(jù)融合，以分析得到行為特征差異數(shù)據(jù)，進(jìn)行特征提取操作。

21、特征提取操作包括：調(diào)整檢測(cè)矩形框?qū)捀弑?；將原始視頻中所有id的軌跡信息，以及id的檢測(cè)矩形框?qū)捀弑?，整合為綜合數(shù)據(jù)。

22、在更具體的技術(shù)方案中，s2中，yolov8模型包括：通道注意力模塊、空間注意力模塊；用以聚焦處理校園場(chǎng)景暴力行為數(shù)據(jù)集中的視頻幀關(guān)鍵特征。

23、本發(fā)明采用的yolov8作為目標(biāo)檢測(cè)模型，在檢測(cè)精度、資源利用率和實(shí)時(shí)性上達(dá)到了良好平衡，適用于校園監(jiān)控環(huán)境中的暴力行為檢測(cè)。本發(fā)明在模型中引入了通道注意力和空間注意力機(jī)制，使模型能夠更加聚焦于視頻幀中的關(guān)鍵特征。

24、利用通道注意力模塊，通過全局平均池化生成通道權(quán)重向量，調(diào)整yolov8模型對(duì)不同特征通道的關(guān)注度；

25、利用空間注意力模塊，通過最大池化結(jié)合卷積操作生成空間權(quán)重圖，優(yōu)化yolov8模型對(duì)視頻幀中不同位置的關(guān)注度，聚焦含有暴力行為區(qū)域；

26、利用幀級(jí)標(biāo)注數(shù)據(jù)集，訓(xùn)練yolov8模型。

27、訓(xùn)練過程中，模型采用幀級(jí)標(biāo)注的數(shù)據(jù)集，以保證在多目標(biāo)、多人重疊以及場(chǎng)景遮擋的復(fù)雜環(huán)境下，模型仍能有效定位并識(shí)別出具有暴力特征的區(qū)域和動(dòng)作。結(jié)合注意力機(jī)制的yolov8不僅在復(fù)雜場(chǎng)景中表現(xiàn)出色，還具備良好的實(shí)時(shí)處理能力，使其能夠快速響應(yīng)和檢測(cè)校園環(huán)境下潛在的暴力行為，保障了系統(tǒng)的準(zhǔn)確性、魯棒性和實(shí)用性。

28、在更具體的技術(shù)方案中，s2中，利用bot-sort算法進(jìn)行目標(biāo)追蹤，進(jìn)行iou匹配操作、重新識(shí)別reid特征融合操作，在多目標(biāo)情形下，追蹤每個(gè)行人目標(biāo)的運(yùn)動(dòng)軌跡；

29、bot-sort算法中，通過yolov8模型檢測(cè)出視頻幀中的所有行人目標(biāo)；

30、根據(jù)行人目標(biāo)的交并比iou匹配機(jī)制，在連續(xù)幀間追蹤目標(biāo)，獲取并結(jié)合reid特征向量，為每個(gè)行人目標(biāo)進(jìn)行id賦值操作，據(jù)以在視頻流中持續(xù)跟蹤行人目標(biāo)的運(yùn)動(dòng)軌跡；

31、在暴力行為識(shí)別過程中，進(jìn)行運(yùn)動(dòng)軌跡數(shù)據(jù)融合，以分析得到行為特征差異數(shù)據(jù)，進(jìn)行特征提取操作，其中，特征提取操作包括：調(diào)整檢測(cè)矩形框?qū)捀弑?；將原始視頻中所有id的軌跡信息，以及id的檢測(cè)矩形框?qū)捀弑?，整合為綜合數(shù)據(jù)。

32、本發(fā)明采用了bot-sort算法，該算法結(jié)合了iou匹配與reid(重新識(shí)別)特征融合，確保在多目標(biāo)的情況下能夠持續(xù)且準(zhǔn)確地追蹤每個(gè)目標(biāo)的運(yùn)動(dòng)軌跡。本發(fā)明提出的基于目標(biāo)檢測(cè)、目標(biāo)跟蹤和時(shí)序分析一體化的校園監(jiān)控視頻暴力行為檢測(cè)算法，通過深入分析視頻中行人的運(yùn)動(dòng)軌跡，顯著提升了檢測(cè)準(zhǔn)確率。

33、在更具體的技術(shù)方案中，s2中，構(gòu)建長(zhǎng)短期記憶網(wǎng)絡(luò)模型lstm，其中，長(zhǎng)短期記憶網(wǎng)絡(luò)模型lstm包括：lstm層、bi-lstm層、自適應(yīng)平均池化層以及全連接層。

34、在更具體的技術(shù)方案中，設(shè)置輸入張量參數(shù)；設(shè)置并利用lstm層，獲取并根據(jù)隱藏狀態(tài)、細(xì)胞狀態(tài)，捕捉序列數(shù)據(jù)中的時(shí)間依賴關(guān)系，得到lstm輸出數(shù)據(jù)；

35、設(shè)置并利用bi-lstm層，同時(shí)處理前向時(shí)間序列、后向時(shí)間序列，得到bi-lstm輸出數(shù)據(jù)；

36、對(duì)lstm輸出數(shù)據(jù)、bi-lstm輸出數(shù)據(jù)進(jìn)行拼接操作，得到前向、雙向時(shí)序信息特征向量，據(jù)以提取最后時(shí)間步長(zhǎng)隱狀態(tài)；

37、設(shè)置并利用自適應(yīng)平均池化層，對(duì)最后時(shí)間步長(zhǎng)隱狀態(tài)中的目標(biāo)運(yùn)動(dòng)特征，進(jìn)行池化操作，以得到池化特征向量；

38、設(shè)置并利用全連接層，處理池化特征向量，整合lstm層、bi-lstm層提取的時(shí)間特征，得到全連接層輸出數(shù)據(jù)；

39、使用sigmoid激活函數(shù)，將全連接層輸出數(shù)據(jù)映射至預(yù)置區(qū)間，暴力行為發(fā)生概率預(yù)測(cè)分?jǐn)?shù)。

40、在更具體的技術(shù)方案中，特征融合操作包括：

41、s31、將yolov8模型的fpn層p2輸出的2d特征、以及時(shí)頻理解模型tsm的backbone層layer2輸出的3d特征，在預(yù)置通道維度進(jìn)行拼接，得到tensor拼接特征；

42、s32、將tensor拼接特征經(jīng)過兩個(gè)卷積層，得到特征張量f1；

43、s33、將特征張量f1重塑為第一三維特征fq，供矩陣操作；

44、s34、對(duì)第一三維特征fq進(jìn)行轉(zhuǎn)置操作，得到轉(zhuǎn)置特征fk；

45、s35、對(duì)第一三維特征fq與轉(zhuǎn)置特征fk的點(diǎn)積，進(jìn)行softmax歸一化，生成注意力圖fat；

46、s36、對(duì)特征張量f1進(jìn)行再重塑操作，得到第一三維特征fv，與注意力圖fat相乘，得到融合特征圖；

47、s37、將融合特征圖與特征張量f1相加；經(jīng)過兩個(gè)卷積操作，完成特征維度恢復(fù)操作，吸收2d特征有效信息。

48、在更具體的技術(shù)方案中，一種校園暴力行為檢測(cè)系統(tǒng)包括：

49、暴力行為數(shù)據(jù)集構(gòu)建模塊，用以構(gòu)建并結(jié)合公共數(shù)據(jù)集、自建校園場(chǎng)景數(shù)據(jù)集，篩選得到校園環(huán)境視頻片段，根據(jù)校園環(huán)境視頻片段，構(gòu)建校園場(chǎng)景暴力行為數(shù)據(jù)集；

50、運(yùn)動(dòng)軌跡分析模塊，用以基于運(yùn)動(dòng)軌跡分析，檢測(cè)校園監(jiān)控視頻暴力行為；其中，構(gòu)建并利用yolov8模型作為檢測(cè)器，從校園場(chǎng)景暴力行為數(shù)據(jù)集中，檢測(cè)監(jiān)控視頻中的行人目標(biāo)；結(jié)合追蹤算法實(shí)時(shí)追蹤行人目標(biāo)，提取運(yùn)動(dòng)軌跡；對(duì)行人目標(biāo)進(jìn)行行為分析，通過長(zhǎng)短期記憶模型分析追蹤得到的運(yùn)動(dòng)軌跡，提取異常行為模式特征，據(jù)以對(duì)得到行人目標(biāo)的行為進(jìn)行判定，供暴力行為預(yù)警、響應(yīng)，運(yùn)動(dòng)軌跡分析模塊與暴力行為數(shù)據(jù)集構(gòu)建模塊連接；

51、視頻理解模塊，用以設(shè)置并利用視頻理解模型tsm，以進(jìn)行視頻理解操作，捕捉校園場(chǎng)景暴力行為數(shù)據(jù)集中的視頻序列時(shí)序信息，在預(yù)置時(shí)間維度上對(duì)通道特征進(jìn)行時(shí)間偏移操作，在每個(gè)時(shí)間步的輸入特征圖中，進(jìn)行局部時(shí)間信息交換，以提取強(qiáng)時(shí)序依賴性特征，感知行人目標(biāo)的動(dòng)態(tài)行為；對(duì)視頻理解模型tsm以及yolov8模型的輸出數(shù)據(jù)進(jìn)行特征融合操作，得到融合特征圖，據(jù)以進(jìn)行校園監(jiān)控線視頻暴力行為檢測(cè)，視頻理解模塊與暴力行為數(shù)據(jù)集構(gòu)建模塊連接。

52、本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：

53、本發(fā)明通過構(gòu)建能夠融合多種特征的綜合檢測(cè)系統(tǒng)，基于運(yùn)動(dòng)軌跡動(dòng)態(tài)分析和視頻內(nèi)容整體理解兩個(gè)角度為校園安全管理提供了兩種創(chuàng)新的技術(shù)方案，滿足校園監(jiān)控視頻中的暴力行為檢測(cè)，從而實(shí)現(xiàn)對(duì)校園中暴力行為的進(jìn)行早期預(yù)警和及時(shí)響應(yīng)。本發(fā)明設(shè)計(jì)融合目標(biāo)檢測(cè)和時(shí)序特征的方法，兼顧檢測(cè)精度、計(jì)算復(fù)雜度和實(shí)時(shí)性，同時(shí)充分利用針對(duì)校園場(chǎng)景的定制化數(shù)據(jù)集，能夠滿足校園安全管理對(duì)暴力行為檢測(cè)的實(shí)際需求。

54、本發(fā)明采用tsm是一種基于時(shí)間維度特征偏移的高效視頻理解模型，能夠有效捕捉視頻序列中的時(shí)序信息，進(jìn)而增強(qiáng)對(duì)動(dòng)態(tài)行為的感知能力。tsm通過通過時(shí)間偏移操作，在不增加計(jì)算復(fù)雜度的情況下，將部分通道的特征在時(shí)間維度上進(jìn)行偏移，從而在時(shí)間域內(nèi)實(shí)現(xiàn)信息的有效傳播。這種設(shè)計(jì)使得模型能夠充分挖掘視頻序列中的時(shí)序依賴關(guān)系，并使得時(shí)序信息的流動(dòng)更加高效，從而在不需要大量計(jì)算的前提下取得良好的時(shí)序特征提取效果。

55、為滿足校園場(chǎng)景暴力行為檢測(cè)算法的實(shí)際需求，本發(fā)明結(jié)合多個(gè)公共數(shù)據(jù)集與自建校園場(chǎng)景數(shù)據(jù)集，有針對(duì)性地篩選和補(bǔ)充適用于校園環(huán)境的視頻片段，最終設(shè)計(jì)并構(gòu)建了一個(gè)高質(zhì)量的校園場(chǎng)景暴力行為數(shù)據(jù)集，并對(duì)數(shù)據(jù)進(jìn)行了精細(xì)化處理，確保數(shù)據(jù)的多樣性和實(shí)際應(yīng)用的高相關(guān)性。

56、本發(fā)明采用的yolov8作為目標(biāo)檢測(cè)模型，在檢測(cè)精度、資源利用率和實(shí)時(shí)性上達(dá)到了良好平衡，適用于校園監(jiān)控環(huán)境中的暴力行為檢測(cè)。本發(fā)明在模型中引入了通道注意力和空間注意力機(jī)制，使模型能夠更加聚焦于視頻幀中的關(guān)鍵特征。

57、本發(fā)明采用了bot-sort算法，該算法結(jié)合了iou匹配與reid(重新識(shí)別)特征融合，確保在多目標(biāo)的情況下能夠持續(xù)且準(zhǔn)確地追蹤每個(gè)目標(biāo)的運(yùn)動(dòng)軌跡。本發(fā)明提出的基于目標(biāo)檢測(cè)、目標(biāo)跟蹤和時(shí)序分析一體化的校園監(jiān)控視頻暴力行為檢測(cè)算法，通過深入分析視頻中行人的運(yùn)動(dòng)軌跡，顯著提升了檢測(cè)準(zhǔn)確率。

58、本發(fā)明解決了現(xiàn)有技術(shù)中存在的由于特征利用不充分導(dǎo)致的漏檢和誤檢、實(shí)時(shí)性與精度難以兼顧以及校園監(jiān)控場(chǎng)景中的適應(yīng)性較差的技術(shù)問題。