打开文本图片集

摘要：近年来，校园安全事件频发引发社会各界高度关注。为突破现有安防体系的局限性，本文提出一种基于深度学习的校园异常行为监测系统，该系统采用模块化设计，集环境感知、智能决策与快速响应功能于一体。核心检测模块搭载高精度深度视觉传感器，结合轻量化深度学习框架，构建了多层次行为分析模型，基于改进的人脸识别算法快速核验人员身份，防止校外人员违规进入教学区；通过人体关键点检测与动作时序分析技术，精准识别抽烟打架等异常行为。通过全天候自主巡逻与智能分析能力的深度融合，有效提升校园安全隐患的主动发现能力与处置效率。

关键词：深度学习；异常行为监测；视觉传感器；行为分析

0 引言

近年来校园安全事件成为了社会广泛关注的核心议题。传统安防体系依赖固定摄像头与人工监控模式，存在显著缺陷：一方面，静态监控设备受限于安装位置与视角范围，难以覆盖校园内的复杂场景，导致监测盲区普遍存在；另一方面，人工巡检与视频回放分析效率低下，尤其在夜间或人流密集时段，难以及时发现吸烟、肢体冲突等瞬时异常行为。随着深度学习技术在目标检测、姿态估计等领域的突破，基于计算机视觉的智能分析为实时行为识别提供了技术基础[1-2]。

本次研究以开发一套基于深度学习的校园异常行为监测系统为目的，旨在通过结合深度技术和智能移动平台来解决传统安防系统监测实时性不足、行为识别精度低、应急响应滞后等问题，给予校园安全管理提供了新的选择。

1 系统结构

该校园异常行为监测系统是以智能移动平台作为基础，把智能识别技术运用至场景监测方面。借助安装于智能移动平台之上的视觉传感器，可对目标人群的当下状态予以实时检测，而系统能够自动判定异常行为的具体类型以及级别。对于异常行为，系统会发出语音警告，还会记录实时场景，并且实现远程报送。与此智能移动平台依据应用场景情况来开展道路规划工作，在一次次巡逻进程中达成异常行为识别的任务。该基于深度学习的校园异常行为监测系统的具体结构情况如图1所示。

2 异常行为识别

本次开发的校园异常行为监测系统将搭载深度相机传感器，采用HBVCAM-4M2142HD V22配合8G树莓派5进行图像处理，用于获取环境的深度信息。这些传感器可以提供场景的三维信息，帮助无人车更好地理解周围环境。确定需要识别的校园异常行为，并将其定义和分类。例如，可能包括在禁止区域吸烟、在楼道乱丢垃圾、擅自进入教学楼等行为。收集校园内各种违规行为的样本数据，并进行标注。这些数据可以包括深度图像、RGB图像以及与之对应的违规行为标签。标注的数据集将用于训练机器学习模型。使用深度学习技术tensorflow框架和tensorflow下的keras接口搭建的卷积神经网络设计并训练模型来识别校园违规行为。对于深度相机传感器提供的深度信息，可以使用3D卷积神经网络或者将其转换为二维图像处理。将训练好的模型部署到智能移动平台上，实现对校园违规行为的实时识别。当智能移动平台发现违规行为时，可以通过语音提示、显示屏提示或者发送警报通知相关人员。将深度相机传感器、机器学习模型和移动平台的控制系统进行集成，并进行系统优化，以确保系统的稳定性和性能。基本流程如图2所示。

3 卷积神经网络

本系统基于TensorFlow框架与Keras高阶API构建卷积神经网络，采用经典层级堆叠策略实现图像特征提取。网络主体结构遵循标准卷积模块范式，依次堆叠卷积运算、批量归一化处理、非线性激活及下采样操作。具体设计中，主干网络包含四组卷积单元，每组由3×3卷积核实现空间特征捕获，通道数逐层扩展（16至256通道），后接最大池化层压缩特征维度；末端通过全局最大池化层替代全连接层，将多维特征映射转化为分类向量。

卷积神经网络的搭建将引入Batch Normalization层，以减少梯度消失。网络搭建过程采 用RELU 激活函数，RELU函数的优点是计算简单高效，便于后来INT8量化。在激活函数之前选择Batch Normalizatio层，然后利用正则化Maxpooling2D+SatialDropout2D 来防止网络的过拟合[3-4]。通过池化Max Pooling降采样来减少运算量。Dropout的目的则是防止网络的过拟合。最后便是全连接层，采用GlobalMaxpooling2D使全局最大池化，然后进行dense的输出，输入的图像为128*320，全连接层输出特征，基本网络结构如图3所示。

4 模型搭建及训练

在完成网络架构构建后，需要创造基于Python 3.8与TensorFlow 2.6框架搭建GPU加速训练环境，然后通过CUDA计算库优化模型迭代效率。在训练阶段将会采用4：1比例划分训练集和验证集，实时监控训练准确率、验证准确率以及损失函数收敛趋势，动态调整学习策略来满足预设性能阈值。在完成模型优化后，将训练生成的HDF5格式权重文件转换为TFLite轻量化格式，然后部署至树莓派5的神经处理单元（NPU）。在部署过程中，通过TensorFlow Lite解释器适配边缘端硬件资源，确保模型在低功耗条件下可以成功实现实时推理。完整训练至部署端到端流程如图4所示。

5 结语

本次基于深度学习的校园异常行为监测系统研究，是在智能移动平台的基础上，通过搭载深度相机传感器，基于深度学习算法、人脸识别、姿态识别等关键技术，实时识别校园内不佩戴口罩、吸烟、打架、擅自闯入危险区域等校园异常行为，并自动判别校园异常行为的类型和等级。若有以上行为的发生，校园异常行为监测系统则发出预警及提示，并实时记录不良行为发生的位置及相关图像信息，以进行留存与报送。通过提高校园安全水平，营造安全、稳定、平安校园氛围，也为师生提供了更加安心和舒适的学习、生活环境，促进了教育教学工作的开展。

参考文献

[1] 王伟，张向文，王文鸿.检测驾驶员疲劳状态的安全警报系统[J].传感器与微系统，2022，41（6）：82-85.

[2] 王琦.卷积核相关性与CNN网络结构优化的关系研究[D].兰州大学，2019.

[3] 杨子贤.基于深度学习卷积神经网络图像识别技术的研究与应用[J].中国设备工程，2018，2（23）：146 149.

[4] 李婷.基于卷积神经网络的宽度学习系统图像分类研究[D].重庆大学，2020.

注：德州学院大学生创新创业训练计划项目（项目编号S202410448019）