(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210453276.X (22)申请日 2022.04.27 (71)申请人 江西应用技 术职业学院 地址 341000 江西省赣州市红旗大道 25号 (72)发明人 朱斌　陈磊　邬金萍　卢玉丽　 魏碧胜　 (74)专利代理 机构 北京科家知识产权代理事务 所(普通合伙) 11427 专利代理师 宫建华 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 20/52(2022.01) G06V 40/20(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 膨胀卷积神经网络的行人异常行为识别方 法及装置 (57)摘要 本发明涉及视频监控技术领域， 揭露了一种 膨胀卷积神经网络的行人异常行为识别方法及 装置， 包括： 下载原始卷积神经网络及原始BP神 经网络， 调整所述原始卷积神经网络的网络结构 得到初级卷积神经网络， 构建与卷积感受眼值相 同的卷积核得到膨胀卷积核， 将所述膨胀卷积核 替代所述初级卷积核 得到膨胀卷积神经网络， 构 建所述膨胀卷积神经网络和所述原始BP神经网 络得到原始行人异常行为模型， 训练所述原始行 人异常行为模 型， 直至满足训练要求后得到所述 行人异常行为模 型， 将监控视频输入至所述行人 异常行为模 型执行异常行为判断， 得到行人异常 行为分析结果。 本发明可解决行人异常行为识别 准确率不高的问题。 权利要求书3页 说明书12页 附图5页 CN 114757292 A 2022.07.15 CN 114757292 A 1.一种膨胀卷积神经网络的行 人异常行为识别方法， 其特 征在于， 所述方法包括： 接收用户输入的行人异常行为模型的模型构建要求， 其中， 所述模型构建要求包括神 经网络种类、 卷积层 层数、 卷积感受眼值及神经网络构建顺序； 下载与所述神经网络种类对应的神经网络集， 其中所述神经网络集包括原始卷积神经 网络及原 始BP神经网络； 根据所述卷积层层数调整所述原始卷积神经网络的网络结构， 得到初级卷积神经网 络， 其中所述初级卷积神经网络包括初级卷积核； 构建与所述卷积感受眼值相同的卷积核， 得到膨胀卷积核， 将所述膨胀卷积核替代所 述初级卷积核， 得到膨胀卷积神经网络； 按照所述神经网络构建顺序构建所述膨胀 卷积神经网络和所述原始BP神经网络， 得到 原始行人异常行为模型； 训练所述原 始行人异常行为模型， 直至满足训练要求后得到所述行 人异常行为模型； 接收行人异常行为识别指令， 启动与所述行 人异常行为识别指令对应的监控视频； 将所述监控视频输入至所述行人异常行为模型执行异常行为判断， 得到行人异常行为 分析结果。 2.如权利要求1所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述 下载与所述神经网络种类对应的神经网络集， 其中所述神经网络集包括原始卷积神经网络 及原始BP神经网络， 包括： 接收用户输入的神经网络自动化下载程序， 编译所述神经网络自动化下载程序， 得到 神经网络自动化下 载脚本； 运行所述神经网络自动化下载脚本时， 自动打开神经网络下载网址， 并根据所述神经 网络自动化下载脚本的脚本参数， 在所述神经网络下载网址内索引到与所述神经网络种类 对应的神经网络bin文件和说明文件， 其中， 所述神经网络bin文件包括原始卷积神经网络 bin文件及原 始BP神经网络bi n文件； 分别封装所述原始卷积神经网络bin文件及原始BP神经网络bin文件， 得到所述原始卷 积神经网络及原 始BP神经网络 。 3.如权利要求2所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述 运行所述神经网络 自动化下载脚本时， 自动打开神经网络下载网址， 并根据所述神经网络 自动化下载脚本的脚本参数， 在所述神经网络下载网址内索引到与所述神经网络种类对应 的神经网络bi n文件， 包括： 按照所述神经网络自动 化下载脚本的函数顺序， 依次运行所述神经网络自动化下载脚 本内的函数， 其中所述神经网络自动化下载脚本的函数包括下载网页打开函数、 神经网络 种类寻找函数及下 载函数； 当运行至所述下载网页打开函数时， 根据 所述下载网页打开函数预先设定的下载网址 自动打开所述神经网络下 载网址； 在所述神经网络下载网址内， 运行所述神经网络种类寻找函数， 寻找与所述神经网络 种类具有相同关键 字的下载插件； 运行所述下载函数自动点击所述下 载插件， 下载得到所述神经网络bi n文件。 4.如权利要求3所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述权　利　要　求　书 1/3 页 2 CN 114757292 A 2根据所述卷积层层数调整所述原始卷积神经网络的网络结构， 得到初级卷积神经网络， 其 中所述初级卷积神经网络包括初级卷积核， 包括： 从所述说明文件中提取 所述原始卷积神经网络的卷积层 层数， 得到原卷积层数； 判断所述原卷积层数和所述卷积层层数是否相同， 当所述原卷积层数和所述卷积层层 数相同时， 所述原 始卷积神经网络即为所述初级卷积神经网络； 当所述原卷积层数和所述卷积层层数不相同时， 启动Python编程语言的IDE， 在所述 IDE内利用Python编程语 言， 重写与所述卷积层层数相同的卷积神经网络， 得到卷积网络重 写程序； 编译所述卷积网络重写程序， 得到所述初级卷积神经网络， 其中所述初级卷积神经网 络包括初级卷积神经网络bi n文件。 5.如权利要求4所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述 在所述IDE内利用Python编程语 言， 重写与所述卷积层层数相同的卷积神经网络， 得到卷积 网络重写程序， 包括： 在预构建的服务器中下载并安装Anaconda安装包， 当成功安装An aconda安装包时生成 Anaconda编程界面； 在所述Anaco nda编程界面中使用pip安装指令安装Pytorc h深度学习框架； 当在所述Anaconda编程界面中显示成功安装Pytorch深度学习框架时， 打开在所述服 务器中的IDE， 在所述IDE内， 基于Python编程语言调用所述Anacon da安装包内的数据包和 所述Pytorch深度学习 框架内的框架包， 其中所述数据包包括numpy及pandas， 所述框架包 包括卷积神经网络 框架包； 利用所述数据包和所述卷积神经网络框架包， 重写与 所述卷积层层数相同的卷积神经 网络， 得到所述卷积网络 重写程序。 6.如权利要求5所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述 构建与所述卷积感受眼值相同的卷积核， 得到膨胀卷积核， 将所述膨胀卷积核替代所述初 级卷积核， 得到膨胀卷积神经网络， 包括： 获取所述初级卷积核的卷积维度， 扩大所述卷积维度， 直至卷积维度与所述卷积感受 眼值相同时， 得到所述 膨胀卷积核； 根据所述 膨胀卷积核生成对应的膨胀卷积层； 利用所述膨胀 卷积层替代所述初级卷积神经网络 内的卷积核， 得到所述膨胀 卷积神经 网络。 7.如权利要求6所述的膨胀卷积神经网络的行人异常行为识别方法， 其特征在于， 所述 训练所述原 始行人异常行为模型， 直至满足训练要求后得到所述行 人异常行为模型， 包括： 接收训练图片集及真实标签集， 其中所述真实标签集包括行 人、 红绿灯、 斑马线、 汽车； 将所述训练图片集输入至所述膨胀 卷积神经网络， 利用所述膨胀 卷积神经网络的对膨 胀卷积层， 所述训练图片集执 行膨胀卷积 操作， 得到膨胀卷积像素集； 将所述膨胀卷积像素集执 行池化操作， 得到池化像素集； 初始化所述原始BP神经网络的输入层及隐藏层的权重， 得到初始权重， 将所述池化像 素集推送至所述原 始BP神经网络； 在所述原 始BP神经网络内对所述池化像素集执 行激活处理， 得到预测标签集；权　利　要　求　书 2/3 页 3 CN 114757292 A 3