目  录

摘  要

ABSTRACT

1.绪论 1

1.1 选题背景及其意义 1

1.2 国内外研究现状 2

1.3 本课题的主要研究内容 3

1.4 论文结构安排 3

2. 相关技术 5

2.1 智能视频分析技术 5

2.2 深度学习 6

2.2.1 深度学习的发展历程 7

2.2.2 深度学习基本思想 7

2.2.3 卷积神经网络（CNN） 8

2.3 校园行为异常检测技术 9

2.4 IterDet拥挤环境目标检测迭代方案 9

3.异常行为定位方法 12

3.1 YOLOV3算法原理 12

3.2 YOLOV3算法异常行为定位 13

3.2.1 YOLOV3的工作 13

3.2.2 定位后构建能量函数 14

3.2.3 判别规则 14

4.异常行为检测方法 16

4.1 问题描述 16

 

4.2 系统框架 17

 

4.3 基于CNN的检测方法 17

4.3.1 CNN 模型的空间特征 18

4.4 IterDet检测 18

4.4.1 推理过程 19

4.4.2 训练过程 19

4.5 实验设置 19

4.5.1 数据集准备 20

4.5.2 CNN模型的空间特征训练结果 22

4.5.3 IterDet检测的训练结果 22

4.6 实验结果 23

5. 总结与展望 24

5.1 论文工作总结 24

5.2 工作展望 24

参考文献 26

致谢 29

 

摘　　要

 

随着信息技术、网络技术以及物联网技术的飞速发展，校园作为城市人口密集区域的范围之一，每天出现着各种各样的安全问题，例如校园欺凌事件。而目前2020年的疫情情况更是直接影响到学生在校园里的健康问题，聚集性感染频出，人潮拥挤提升至安全层面。

根据目前的大量数据的显示，传统的校园安全防范系统已经不能满足目前校园人员流动快、人员复杂等环境。其原因就是目前的视频监控体系以及检测方法不能实时、迅速的判断校园海量人员中的异常行为，因此进行海量数据的实时及全面检测是目前的重要研究方向。

面对以上分析的情况，就目前的研究现状表明，各种基于深度学习的网络算法在处理校园中的大量数据方面具有明显的优势,该问题基于对校园异常行为发现的深入研究。 首先，常规神经网络（CNN）用于处理校园中的异常行为图像，对这些图像数据进行特征训练，再使用YOLOV3算法对经过特征训练的图像数据进行分类，同时对存在校园异常行为的图像数据进行标识。从而完成对校园异常行为的检测，达到实时检测并对校园异常行为报警提醒等研究目的，为校园安全和谐提供必要保障。

基于上述校园异常行为检测系统的设计，详细描述了系统架构，系统流程以及YOLOV3算法的实现。 同时，对系统性能进行了实证检验。

 

关键词：

神经网络；深度学习；行为检测；YOLOV3算法