• 一种基于深度神经网络的人群情绪异常检测和定位方法

    • 摘要:

      本发明涉及一种基于深度神经网络的人群情绪异常检测和定位方法,通过监控设备获取视频数据,并对其进行视频关键帧数据提取,并从视频关键帧数据获取每一帧的人脸图像数据,并进行对齐、分组、排序预处理,然后输入到训练好的基于卷积神经网络的人脸情绪识别模型中,并通过训练好的人群情绪检测和定位模型,获取监测视频数据中人群情绪异常检测和定位结果并反馈给监控设备工作人员,本发明设计合理,通过模型能够得到人群情绪异常与人群异常之间的关系,避免了人群异常与具体异常事件相关联而导致的检测局限性问题,另外,模型采用了混合的深度神经网络结构模型,从而进一步提高了视频人群情绪异常检测和定位的效率.

    • 专利类型:

      发明专利

    • 申请/专利号:

      CN201710284869.7

    • 申请日期:

      2017.04.27

    • 公开/公告号:

      CN107169426A

    • 公开/公告日:

      2017-09-15

    • 发明人:

      郝志峰 郑小宾 蔡瑞初 温雯 王丽娟 陈炳丰

    • 申请人:

      广东工业大学

    • 主分类号:

      G06K9/00(2006.01)I,G,G06,G06K,G06K9

    • 分类号:

      G06K9/00(2006.01)I,G06N3/02(2006.01)I,G,G06,G06K,G06N,G06K9,G06N3,G06K9/00,G06N3/02

    • 主权项:

      一种基于深度神经网络的人群情绪异常检测和定位方法,其特征在于,包括以下步骤:S1)、数据获取:通过监控设备获取视频数据作为训练视频数据;S2、利用视频关键帧提取技术从训练视频数据中提取视频关键帧数据;S3)、数据处理:利用人脸检测技术从视频关键帧数据中获取每一帧的人脸图像数据,并检测人脸图像中的人脸特征点,根据人脸特征点对齐人脸图像后,按照不同个体对人脸图像进行分组,对分组后的人脸图像数据按视频关键帧顺序排序;S4)、人脸情绪识别模型的构建:对对齐、分组、排序处理后的人脸图像数据进行情绪标记,然后将情绪标记后的人脸图像数据输入到训练好的基于卷积神经网络的人脸情绪识别模型中,并根据人脸图像数据调整模型全连接层权重,从而得到训练好的基于监控视频数据的人脸情绪识别模型;S5)、构建人群情绪检测和定位模型:将人脸情绪识别模型的全连接层输出的特征按时间维度组合成时序特征,并将时序特征输入长短期记忆循环神经网络模型中,构建并训练得到整体的人群情绪检测和定位模型;S6)、异常情绪检测和定位:重新从监控设备中获取视频数据作为监测视频数据,按照步骤S2、S3)对监测视频数据进行预处理,利用训练好的人群情绪检测和定位模型,获取监测视频数据中人群情绪异常检测和定位结果并反馈给监控设备工作人员.