Resumen

En este trabajo, se utiliza un algoritmo de red neuronal de confianza profunda para diseñar y analizar en profundidad el modelo de alerta de riesgo para el funcionamiento del estadio. Muchos factores, como el ángulo de filmación del vídeo, el brillo del fondo, la diversidad de características y la relación entre los comportamientos humanos, hacen que la detección de comportamientos basada en atributos sea el centro de atención de los investigadores. Para abordar estos factores, los investigadores han propuesto un método para extraer el esqueleto del comportamiento humano y la información de las características del flujo óptico de los vídeos. La clave del método de reconocimiento basado en la red neuronal de confianza profunda es la extracción del esqueleto humano, que extrae la secuencia del esqueleto del comportamiento humano de un vídeo de vigilancia, donde cada fotograma del esqueleto contiene 18 articulaciones del esqueleto humano y el valor de confianza estimado para cada fotograma del esqueleto, y construye un modelo de red neuronal de confianza profunda para clasificar el comportamiento peligroso basándose en la información de características del esqueleto obtenida, combinada con el vector temporal de la secuencia del esqueleto, y determinar el nivel de peligro del comportamiento estableciendo el valor umbral correspondiente. La red neuronal de confianza profunda utiliza una información de características diferente en comparación con la red convolucional de gráficos espaciotemporales. La red neuronal de confianza profunda establece el modelo de red neuronal de confianza profunda basado en la información del flujo óptico humano, combinado con la inferencia relacional temporal de los fotogramas de vídeo. La clave del método de reconocimiento basado en la red de relación temporal es extraer algunos fotogramas del vídeo de forma ordenada o aleatoria en la red de relación temporal. En este trabajo, utilizamos varios métodos para realizar experimentos de comparación, y los resultados muestran que el método de reconocimiento basado en características de esqueleto y flujo óptico es significativamente mejor que el algoritmo de extracción manual de características.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:confianza profunda, red de relación temporal, métodos de reconocimiento basados, modelo de red neuronal, red neuronal, características de flujo óptico, comportamiento humano, secuencia de esqueletos, esqueleto humano
• Keywords:deep confidence, temporal relationship network, based recognition methods, neural network model, neural network, optical flow features, human behavior, skeleton sequence, human skeleton, skeleton