(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210209202.1 (22)申请日 2022.03.04 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 李伟　余文杰　李澎林　余孝琴　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 楼明阳 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于改进PBAS算法与YOLOv5的校园异 常行为检测方法 (57)摘要 一种基于改进PBAS算法与YOLOv5的校园异 常行为检测方法， 包括以下步骤： 1)选用Yolov5 网络进行模型训练： 收集大量的数据样本， 对样 本进行标定， 对不同参数设定下的模 型进行对比 选定最终训练参数和模型， 为后续异常行为检测 做准备； 2)改进PBAS算法提取动态前景： 利用改 进的PBAS算法对视频运动区域完成动态前景提 取， 捕捉到有效的动态行为， 过滤掉静态和动态 背景， 从而屏蔽光照和动态背景等环 境因素对目 标检测的干扰； 3)Yolov5模型检测异常行为： 将 处理完成后视频帧作为YOLOv5模型的输入进行 目标检测， 从而确定学生是否存在危险行为。 本 发明检测结果精确， 漏检和误检率相对较小， 可 以很好地完成校园异常行为的检测。 权利要求书2页 说明书5页 附图3页 CN 114694090 A 2022.07.01 CN 114694090 A 1.一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法， 包括以下步骤： 1)使用Yolov5 网络进行模型训练： 收集大量的数据样本， 对样本进行标定， 对不同参数 设定下的模型进行对比选 定最终训练参数和模型； 2)改进PBAS算法提取动态前景： 利用改进的PBAS算法对视频运动区域完成动态前景提 取， 捕捉到有效的动态行为； 3)Yolov5模型检测异常行为： 将处理完成后视频帧作 为YOLOv5模型的输入进行目标检 测， 从而确定学生是否存在危险行为。 2.如权利要求1所述的一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法， 所 述步骤1)具体包括： 1.1)数据集制作： 将收集到的三种异常类型视频进行视频帧抽取； 然后将数据集进行 图片预处理， 对图片进行筛选， 滤波去噪， 图像增强； 最后， 使用LabelImg标图工具对 预处理 后图片中的异常行为区域进行框 定， 生成txt文件， 以供模型训练使用； 1.2)模型训练： 经过反复训练模型的尝试， 同时结合训练结果和YOLOv5网络自身结构， 设定相关参数如下： 初始学习率为0.01， 学习率衰减权重为0.0005， 训练迭代次数为200次； YOLOv5的损失函数使用GI OU Loss作为bounding  box， Box推测出的值 即为GIoU损失函数的 均值。 3.如权利 要求1或2所述的一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法， 所述步骤2)具体包括： 2.1)输入视频帧， 通过图像的背景模型与当前像素进行， 从而确定前景和背景的分类； 其中背景模型 是由邻近当前视频帧观察到的N个历史像素值组成的： B(xi)＝B1(xi)， ...， Bk(xi)， ...， BN(xi)       (1) 同时， PBAS算法通过当前帧I(xi)与背景模型B(xi)的比较来决定当前像素属于背景或 者前景， 具体为比较一个像素点在背 景模型中前N个历史像素值与当前像素值， 如果当前值 与其中至少#min个历史值的距离小于判定阈值R(xi)， 则将该点判定为前景点， 否则将其判 定为背景点； 2.2)改进自适应决策阈值更新， 根据PBAS算法和步骤2.1)可以确定前景分割掩模计算 式为： 其中， F＝0和F＝1分别表示该像素点为背景点和前景点， dist(I(xi),Bk(xi))表示当前 点与背景模型 的距离。 而为了解决在提取动态前景时误将动态背景一并提取 的问题， 采用 非线性自适应决策阈值更新方法， 利用决策阈值R(xi)与背景复杂度 非线性关系， 提高 对小区域动态背景识别的敏感度， 从而解决动态背景被错误提取 的问题。 具体改进步骤如 下： 2.2.1)首先在算法通过目标框判断运动区域中的像素点为前景点或背景点时， 计算出 目标框面积为Starget(xi),同时引用一个平衡函数Rban(xi)并设置为固定绝对值； 2.2.2)然后将R(xi)与 由原来的线性关系重新定义 为非线性关系。 即权　利　要　求　书 1/2 页 2 CN 114694090 A 2其中， 定义Rban(xi)为固定绝对值。 由于动态背景的目标框面积通常较小， 即当Starget (xi),越小像素点xi越有可能为背景点， Rban(xi)与Starget(xi),的比值也就越大， 因此与原始 PBAS算法中决策阈值R(xi)值相比， 改进的决策阈值R(xi)值变化更大， 由式(5)可知在进行 前景或背景判决时， 如果R(xi)值越大， 值小于决策阈值R(xi)的次数大于#min， 那么此 时像素点就被判别为背景点， 即能够较好的快速有效地抑制住背景变化比较复杂的区域。 而当Starget(xi),超过一定值时， 此时运动区域中的像素点更大概率为前景点， Rban(xi)与 Starget(xi),的比值也趋向于0， 决策阈值R(xi)与背景复杂度仍为线性关系， 所以目标框 面积 Starget(xi),过大并不会影响对运动前景的判断。 根据以上分析， 可以将决策阈值R(xi)的动 态更新方式重新定义 为： 其中， B(xi)为状态变量， Rban(xi)为固定绝对值。 2.3)更新背景模型， 若当前像 素点xi被判断为背景点， 则用该像素点随机均匀地替换背 景样本中的像素点， Bk(xi)， k∈1，…， N； 在此基础上,当前像素点样本 集中的样本点会以1/T (xi)的概率被替换， 且每 个像素点对应一个概 率值1/T(xi)； 2.4)判断阈值和更新学习率， 引入了背景复杂度使背景决策阈值可以自适应更新， 如 果一个像素点与背景模型有很大 的差异， 那么该像素点就会被检测为前景点， 并且这个像 素点还要以相对较小的概率去 更新背景模型； 因此PBAS算法在建立背 景模型时还建立一个 数组D(xi)用来记录相似度最小距离值， 而 背景复杂度就是相似度最小距离的平均值； 其中， 为N0个最小距离矩阵值的平均值， 即背景 复杂度。 根据上述分析， 当背景发生 较大变化时， 背景复杂度 也越大， 此时就需要较大的判 定阈值R(xi)和T(xi)； 故而PBAS 算法自适应地调整判别阈值如下式所示： 其中， Rinde和Rscale均为预先设定的固定值； 同时， 为了降低出现错误判断像素点时对所 建立的背景模型的影响， 需要降低背景更新的频率； 因此学习率T(xi)的更新策略可以表示 为： 其中， Tinc和Tdec为预先设定的固定值。权　利　要　求　书 2/2 页 3 CN 114694090 A 3