摘要
当前，“智慧校园”的建设正在如火如荼地开展，建立一套更科技化、智能化的校园安防体系以便有效地保障校园内的安全与秩序已成为一个备受关注的议题。随着人工智能的飞速发展，智能视频监控技术在智能安防领域得到了广泛应用。但面临校园这一复杂场景时，主流的人体行为识别算法仍然难以很好地解决背景复杂、目标多尺寸和行人遮挡等问题，其检测精度和速度也受到影响。针对上述问题，本文在人体检测与行为识别领域开展了深入地研究，提出了一套轻量级人体关键点检测和异常行为识别方法，以实现在边缘应用中性能和速度的有效平衡。本文的主要工作与贡献如下： (1)针对校园场景背景复杂、行人关键点检测效果差和推理延时等问题，提出一种轻量级人体关键点检测方法。算法构建了轻量级金字塔特征提取网络提高模型的特征提取能力。为了改善模型的特征融合能力，采用可变形卷积特征融合模块关注行人局部特征，并提出空间感知上采样模块改善不同尺度特征图的重组效果。最后，提出层级自适应阈值的通道剪枝方法对模型进行剪枝，进一步优化模型结构并减少参数量。在自建数据集和 COCO 数据集上的实验结果表明，该方法能够达到 90.9%和 88.2%的检测精度， 77.7FPS的检测帧率。 (2)针对通用动作识别方法存在模型体积大、识别帧率低以及对混淆动作缺乏区分能力等问题，提出一种基于关键点检测的异常行为识别方法。为了使模型更加轻量化，构建了轻量级时空图卷积特征提取网络，并结合时空感知模块捕获不同位置的特征信息，设计了融合多头自注意力机制的时空图卷积模块提高网络的序列特征提取能力，利用双流架构充分挖掘深度骨架的信息。最后，优化分区策略降低行为识别的误判率。在NTU-RGB+D数据集上的实验结果表明，该方法在Top-1和Top-5指标上分别达到86.85%和98.19%的准确率，44.7FPS的识别帧率。 (3)基于上述算法，开发一套基于边云协同的智慧校园安防系统。该系统基于摄像头、Jetson Xavier NX 边缘计算开发板和云端服务器等设备，实现了实时视频监控展示、报警信息抓拍、报警信息统计和异常行为识别等功能，可以通过监控视频实现实时的识别效果。实验结果表明，经过加速和量化处理后的模型，平均检测速度达到了32FPS，不仅缩减了模型体积，而且实现了更快的推理速度。
NETL