买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了基于深度学习的异常行为检测算法，具体涉及目标检测技术领域，本发明的Yolov5具有轻量化的模型结构，相比其它技术显著提高了检测速度，更具实时性；而BNFNet是本发明设计的轻量化分类网络，其结构简单高效，能够有效的提取子图像的特征信息，与Yolov5结合使用，不仅保证了实时性，而且提高了网络对异常行为的判别能力。

主权项：1.基于深度学习的异常行为检测算法，其特征在于：包括：1数据集的制作；首先对实验环境的不同场景的同一角度和同一场景的不同角度进行不同异常行为素材的拍摄；将获取到的视频数据按需求提取间隔帧图片；再对获取的图像进行异常行为的类别标注；2目标检测模型的搭建；目标检测模型的输入端、Backbone、Neck、Prediction以组成目标检测网络Yolov5，Yolov5输入端要对图像进行预处理；目标检测模型Yolov5对图像预处理的具体步骤包括：利用自适应锚框计算和自适应图片缩放的方法将输入图像缩放到与目标检测模型Yolov5要求的输入大小一致，再进行归一化、随机裁剪、色彩空间转换，并使用Mosaic数据增强，提升目标检测模型Yolov5的训练速度和网络精度；3分类模型的搭建；构建轻量化分类模型，采用DWConv构建具有残差结构的Bottleneckblock，并采用双分支合并结构构建具有特征压缩和扩展能力的Fireblock，通过通道维度的调整衔接Bottleneckblock和Fireblock，构成BNFblock，堆叠两次BNFblock，构成分类模型BNFNet；4模型的训练：将异常行为标注的图像数据分出训练集用于目标检测模型Yolov5的训练，训练过程中通过反向传播迭代更新模型参数，包括卷积层参数、激活层参数及归一化层参数，网络训练到达一定程度，验证集的精度不再上升，网络停止训练，保存验证集上测试结果最佳的目标检测模型Yolov5；对获取的图像进行异常行为的类别标注后，再提取其中标注的异常行为子图像，将所有子图像进行分类保存并用于分类模型BNFNet的训练，网络训练达到一定程度，验证集的精度不再上升，网络停止训练，并保存验证集上测试结果最佳的分类模型BNFNet；5模型的衔接：将目标检测模型Yolov5的坐标信息获取到，提取对应预测框的子图像再进行处理，然后传入分类模型BNFNet中，进一步判定检测到的异常行为的类别，并将正确的类别输出到推理过程中。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于深度学习的异常行为检测算法