[发明专利]基于深度学习的智能预警方法

说明书

在群众向地方政府反映自己述求的过程中，群众可能因为工作人员对自己问题的受理感到不满，从而出现情绪激动的现象，对国家公务人员造成伤害，产生社会矛盾。目前，为工作人员提供智能安全预警的方法还很少。本发明提出一种基于深度神经网络的智能安全预警方法。方法基于语音和视频对群众进行监控，通过语音关键词和视频行检测，再基于融合算法将两部分结果进行综合判断，给出最后危险等级。本发明让外部保安人员及时发现群众是否出现负面情绪并给出危险行为等级，以便及时采取物理保护措施，避免人员受伤，提高来访效率，维护社会稳定。

技术领域

本发明涉及一种基于深度学习的智能预警方法，能让工作人员及时发现群众是否出现负面情绪并给出危险行为等级，提前做好保护措施，避免人员受伤。

背景技术

关键词识别和异常行为检测技术是深度学习领域应用比较广泛的一项技术，它是指通过提取语音中的关键词以及分析视频图像中人民的骨架移动距离来判断人民情绪不满或者做出危险动作。

深度学习也已经广泛应用于司法案件处理。关键词识别和异常行为检测与司法案件处理结合密切，为工作人员提供安全保障。群众述求案件受理是司法领域的一个重要分支，案件复杂度和数量也在不断增加，但是关键词识别和异常行为检测技术却应用较少。

因此针对上述问题，研究利用关键词识别和异常行为检测等深度学习技术，提供智能预警方法，让工作人员及时发现群众是否出现负面情绪并给出危险行为等级，示意安保人员做好防范措施。避免人员受伤，提高群众述求案件受理效率，维护社会稳定。

发明内容

为解决现有技术中存在的技术问题，本发明提供一种基于深度神经网络的智能预警方法，能让工作人员及时发现群众是否出现负面情绪并给出危险行为等级，提前做好保护措施，避免人员受伤。

本发明提供一种智能预警方法，所述智能预警方法的特征在于：将关键词识别与异常行为检测应用于群众，该方法可以分为三个部分：关键词识别、异常行为检测和融合结果输出。

所述关键词识别，提取群众语音中的关键词，首先对语音预测量并进行分割，接着提取音频段中的音节参数特征，作为关键词识别模块的输入，输出关键词识别结果。

所述异常行为检测，通过摄像头对群众述求过程进行视频图像采集，然后识别和定位出图像中所有群众的骨骼关键点，对骨架距离进行计算。使用视频动作识别相关算法实现异常行为检测。

所述融合结果输出，对于融合分类器所得预测结果进行聚合，即对每一个预测结果进行投票，票数最多的为最终的预测结果。

所述关键词，是指粗口、脏话、人身攻击、带有负面情绪的词汇。

所述关键词识别模块，提取训练数据源中语音的音节状态转移矩阵，将其作为网络输入训练第一个编码层的网络参数，并将训练好的编码数据作为第一编码层的输出。用同样的方法训练更多层的网络参数，生成全局网络。计算整个网络的误差函数及各个参数的偏导值，不断更新权值，从而提高分类器的精准性，得到最终模型。

所述视频动作识别相关算法，输入数据源中的图形数据，经过多次卷积和池化处理得到特征向量。将特征向量传入全连接层，得出分类识别的结果。如果当前输出的结果与我们的期望值相符，固定权值和阈值；如果当前输出的结果与我们的期望值不相符，则进行反向传播过程。求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新。最终确定权值和阈值，得到一个适宜的网络。

所述融合分类器，将数据源划分为多个子集，根据数据源特点选择一种机器学习算法作为训练算法，但是在不同的随机子集上进行训练。得到多个分类器，组成融合分类器，给出群众是否出现负面情绪、危险行为等级信息。

所述数据源，第一部分是群众述求案件中出现的关键词，比如脏话或者情绪激动的词汇；第二部分是异常行为数据集，使用国际上流行的USCD异常检测数据库，该数据集主要针对人群中个体行为的识别研究。