典型文献
基于YOLOv4改进算法的人群异常行为检测研究
文献摘要：
在智慧警务建设过程当中,利用智能监控设备对人群异常行为进行检测,可有效预防非法事件的发生从而保护群众的生命财产安全.已有的人群异常检测研究中,多数是对人群异常奔跑检测,并未对其危险目标进行检测.为及时发现人群中的危险目标并预防危险事件发生,本文提出基于YOLOv4改进算法的人群异常行为检测方法,用Mixup替换Mosica数据增强函数;然后加深主干特征网络的深度,用指数移动平均值更新网络参数;最后改进YOLOv4的特征融合结构(PAN),实现对持刀、纵火、纵烟等视频图像特征做出识别与预警.原YOLOv4算法训练模型得到的平均精度均值(MAP)结果为76.43％,改进后YO?LOv4模型得到的平均精度均值为81.41％.三种检测类别fire、smoke、knife的检测准确率较原版算法分别提升了4.64％、7.61％、2.68％.实验结果表明,本文提出的基于YOLOv4改进算法的人群异常行为检测系统能够对危险事件的发生起到有效的预警作用.
文献关键词：
YOLOv4;深度学习;异常检测;视频目标识别
中图分类号：
作者姓名：
施新凯;张雅丽;李御瑾;赵佳鑫
作者机构：
中国人民公安大学信息网络安全学院,北京 100038
文献出处：
引用格式：
[1]施新凯;张雅丽;李御瑾;赵佳鑫-.基于YOLOv4改进算法的人群异常行为检测研究)[J].现代计算机,2022(07):29-34
A类：
人群异常检测,Mosica,视频目标识别
B类：
YOLOv4,改进算法,异常行为检测,智慧警务,警务建设,智能监控设备,法事,生命财产安全,奔跑,危险目标,Mixup,数据增强,增强函数,移动平均,新网,网络参数,特征融合,PAN,持刀,纵火,视频图像,图像特征,算法训练,训练模型,平均精度均值,MAP,fire,smoke,knife,检测准确率,原版,生起
AB值：
0.384285
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
