(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 202111654925.4 (22)申请日 2021.12.3 0 (71)申请人 中国人民公安大 学 地址 100045 北京市西城区木樨地 南里1号 中国人民公安大 学木樨地校区 (72)发明人 张雅丽　 (74)专利代理 机构 北京邦创至诚知识产权代理 事务所(普通 合伙) 11717 专利代理师 张宇锋 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 20/40(2022.01) G06V 10/80(2022.01)G06V 10/774(2022.01) (54)发明名称 一种基于YOLOV4改进算法的人群异常行为 检测方法 (57)摘要 本发明提供了一种基于YOLOV4改进算法的 人群异常行为检测方法， 包括如下步骤： S1： 在 Darknet53的基础上， 在主干网络区域增加两层 卷积模块， 以加深网络长度为深层网络传递更多 的位置信息； S2： 使用指数移动平均值即EMA， 来 更新网络参数； S3： 对模型每个epoch训练得到的 参数进行指数平均加权计算； S4： 采用Mixup函数 替代YOLOV4算法中使用的Mo scia数据增强函数； S5： 将特征提取网络中高层特征进行上采样再将 这些特征进行结合， 再次使用FPN+PAN的结构对 这些特征进行特征融合， 以在特征融合时传递更 多的位置信息和语义信息。 本发明将改进版的 YOLOV4算法应用到 人群异常行为检测系统， 实现 对持刀、 纵火、 纵烟等视频图像特征的识别和预 警。 权利要求书1页 说明书6页 附图6页 CN 114648054 A 2022.06.21 CN 114648054 A 1.一种基于 YOLOV4改进算法的人群异常行为检测方法， 其特 征在于， 包括如下步骤： S1： 在Darknet53 的基础上， 在主干网络区域增加两层卷积模块， 以加深网络长度为深 层网络传递更多的位置信息； S2： 使用指数移动平均值即E MA， 来更新网络参数； S3： 对模型每个epoch训练得到的参数进行指数平均加权计算； S4： 采用Mixup函数替代YOLOV4 算法中使用的Moscia数据增强函数； S5： 将特征提取网络中高层 特征进行上采样再将这些特征进行结合， 再 次使用FPN+PAN 的结构对这些 特征进行特征融合， 以在特 征融合时传递更多的位置信息和语义信息 。 2.根据权利 要求1所述的基于YOLOV4改进算法的人群异常行为检测方法， 其特征在于， 步骤S2中所述EMA用来估计变量的局部均值， 从而使 得t时刻变量的数值不只是取决当前时 刻的数据， 而是对t时刻附近进行加权平均， 使得更新得到的数值变得更加平滑， 不会受到 某次异常数据的影响， 提升模型的鲁棒 性； EMA算法如公式1所示： vt＝β·vt‑1+(1‑β )·θt          (1) 式中Vt表示第t次更新的所有参数移动平均数， β 表示权重参数， θt表示在第t次更新得 到的所有参数权 重。 3.根据权利 要求1所述的基于YOLOV4改进算法的人群异常行为检测方法， 其特征在于， 步骤S3中指数平均加权计算的算法如公式2所示： Na＝rNa+(1‑r)(Na‑1)       (2) 式中， 等号右边的Na是第n次模型训练的得到的结果， 左边的Na是加权计算得到的结 果， Na‑1是第n‑1次模型加权计算得到结果， r是一个占比参数。 4.根据权利 要求1所述的基于YOLOV4改进算法的人群异常行为检测方法， 其特征在于， 步骤S4中所述Mixup函数采用0.2 ‑0.8的均匀分布选取图像融合的系数。权　利　要　求　书 1/1 页 2 CN 114648054 A 2一种基于 YOLOV4改进算法的 人群异常 行为检测方 法 技术领域 [0001]本发明涉及人群异常行为检测技术领域， 尤其是涉及一种基于YOLOV4  改进算法 的人群异常行为检测方法。 背景技术 [0002]随着经济文化的快速发展， 人们的社会活动也是与日俱增， 交通出行  站点、 大型 活动现场以及大型 的商场等公共场所会出现人群聚集的情况，  人群聚集往往可能出现矛 盾纠纷事件。 利用智能视频异常检测技术能够 对 人群异常行为进 行检测并预警， 保障群众 的生命财产安全。 [0003]在文献中将异常检测分为基于高斯混合模型、 隐马尔可夫模型、 光流  法和时空技 术等传统方法。 传统的异常行为检测方法在区域选择及特征提  取上需要 人工参与较多， 客 观性不足且多数异常场景较为单一， 满足不了  当今人群异常事件检测的精度和速度要求。 基于深度学习的人群异常事 件 检测更加有利于特 征提取和场景迁移。 [0004]但当前人群异常事件检测研究存在不足， 主要有异常行为在不 同场景 下定义不 同， 难以泛化； 异常事件发生概率低导致正负样本不均衡， 难以  学习足够的异常行为特征； 异常检测实时性差， 无法满足当前视频目标追  踪的需求。 随着深度学习在目标检测领域的 快速应用， 用目标检测的方式  检测人群中的异常目标， 检测准确率以及实时性可满足对监 控视频数据处  理的要求。 其中YOLOV4算法在目标检测领域已经较为成熟， 在其检测准确   率以及检测速率上优于SSD、 YOLOV3、 Faster ‑RCNN。 目前， 在已有的YOL OV4 改进算法的研究 中， 主要改进思路是提高网络的特 征提取能力从而提升模  型的MAP值。 [0005]本申请针对YOLOV4算法主要的改进方法是在主干网络区域增加两层卷  积模块为 深层的网络传递更多的位置信息， 且采用移动指数平均值(EMA)  更新网络参数来优化训练 模型； 然后用Mixup代替YOLOV4中的Mosica数  据增强的方法， 从而增大训练的数据集； 最后 改进YOLOV4的特征融合结构  (PAN)从而在特征融合时传递更多的语义信息。 并将改进 版的 YOLOV4算 法应用到人群异常行为检测系统， 实现对持刀、 纵火、 纵烟等视频图像特  征的识 别和预警。 [0006]公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术  的理解， 而不应当被视为承认或以任何形式暗示该信息构成已为本领域技  术人员所公知的现有技 术。 发明内容 [0007]本发明的目的在于提供一种基于YOLOV4改进算法的人群异常行为检测  方法， 用 以实现对持刀、 纵火、 纵烟等视频图像特 征的识别和预警。 [0008]为了实现上述目的， 本发明采用以下技 术方案： [0009]本发明提供一种基于 YOLOV4改进算法的人群异常行为检测方法， 包括  如下步骤： [0010]S1： 在Darknet53的基础上， 在主干网络区域增加两层卷积模块， 以  加深网络长度说　明　书 1/6 页 3 CN 114648054 A 3