基于YOLO和ConvLSTM混合神经网络的暴力视频检测

为解决现有暴力视频检测算法所存在的特征提取繁琐、时空特征信息利用少等问题,提出一种基于YOLO和ConvLSTM混合神经网络的暴力视频检测算法,通过1×1卷积改进DarkNet-53特征提取网络的全连接层,进而结合ConvLSTM根据时空信息序列化建模进行检测,解决了原本全连接层破坏图像结构、输入尺寸固定的问题,更好地保留了暴力视频的特征。经Hockey、RWF-2000和自定义的数据集实验的结果表明,该模型较其他传统模型的分类准确率更高。

一种基于三维卷积网络的暴力视频检测方法

随着内容分发网络和视频转码技术的发展,网络流量呈现视频化趋势,互联网中充斥着各种非法特殊视频,危害社会公共安全,急需有效的检测算法。为探索深度学习理论在特殊视频检测上的应用,文章提出采用三维卷积网络框架进行暴力视频检测。相比于传统手工特征和2D卷积网络,该方法可以较好地保护视频帧序列在时间维度上运动信息的完整性,实现对暴力视频时空信息的有效表征。在暴力视频数据集Hockey上进行实验,取得了98.96%的准确率。实验结果表明该方法能够有效地检测暴力视频内容。

基于光流灰度共生矩阵的视频暴力行为检测

视频暴力行为检测通过分析视频场景中运动目标的行为,判断目标的行为是否属于袭击、骚乱、打架等暴力行为。针对视频中的暴力行为检测问题,提出一种基于光流灰度共生矩阵的视频暴力行为检测算法。光流灰度共生矩阵获取场景中运动的空间共生分布信息,并能够计算出重要特征用于描述场景中的行为。首先,计算视频中连续帧之间的光流场;然后,提取光流场灰度图像的灰度共生矩阵,计算灰度共生矩阵的二阶矩、对比度、熵等特征,并组成特征向量;最后,使用支持向量机将所提取的视频特征分类为暴力行为或非暴力行为。该方法在Hockey、Movies和Violent Flow三个公共数据集上的进行了5折交叉验证,分别取得了96.7%,95.8%,92.5%的准确率。实验结果分析与对比显示,所提出方法的性能优于同类对比方法。