在這個(gè)網(wǎng)絡(luò)媒體技術(shù)高速發(fā)展的時(shí)代,人們接收信息的渠道變得越來(lái)越多,校園霸凌事件也開(kāi)始走入人們的視野中。在互聯(lián)網(wǎng)自媒體時(shí)代中,網(wǎng)絡(luò)世界中繁雜的暴力、低俗信息對(duì)青少年的心智發(fā)展產(chǎn)生了嚴(yán)重的影響,有的學(xué)生甚至?xí)ツ７陆佑|到的暴力低俗行為,校園霸凌事件不僅影響了校園生活風(fēng)氣還對(duì)學(xué)生的心理發(fā)展產(chǎn)生了惡劣的影響,由此可見(jiàn)在校園中主動(dòng)檢測(cè)校園霸凌事件的重要性。本文分別從視頻與音頻兩方面通過(guò)模式識(shí)別技術(shù)對(duì)學(xué)生遭受校園霸凌的情況進(jìn)行及時(shí)判斷,并且通過(guò)改進(jìn)的DS融合算法對(duì)兩方面的判別結(jié)果進(jìn)行融合�；谛@監(jiān)控視頻并結(jié)合定向音頻采集設(shè)備實(shí)現(xiàn)了對(duì)學(xué)生身心安全進(jìn)行無(wú)間歇的實(shí)時(shí)監(jiān)測(cè),有利于構(gòu)建和諧的校園環(huán)境。針對(duì)視頻圖像復(fù)雜的數(shù)據(jù)特征,本文首先對(duì)視頻圖像數(shù)據(jù)進(jìn)行預(yù)處理,并通過(guò)搭建深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取霸凌動(dòng)作和日常動(dòng)作數(shù)據(jù)特征。每16幀視頻圖像數(shù)據(jù)提取出一個(gè)4096維度的特征向量,在此基礎(chǔ)上設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)識(shí)別算法,該識(shí)別算法的識(shí)別規(guī)則如下:以16幀視頻圖像為基本識(shí)別單元對(duì)視頻樣本數(shù)據(jù)進(jìn)行分割,對(duì)每一個(gè)基本單元進(jìn)行一次判斷,最終取所有判斷結(jié)果的平均值作為最終識(shí)別結(jié)果,最終校園霸凌行為識(shí)別的準(zhǔn)確率達(dá)到了92.00%,精... 

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
        1.1.1 課題來(lái)源
        1.1.2 研究背景和意義
    1.2 相關(guān)理論的發(fā)展現(xiàn)狀及分析
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 國(guó)內(nèi)外研究現(xiàn)狀分析
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)設(shè)置
第2章 校園霸凌識(shí)別及數(shù)據(jù)融合相關(guān)算法
    2.1 神經(jīng)網(wǎng)絡(luò)及學(xué)習(xí)算法簡(jiǎn)介
        2.1.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.3 神經(jīng)網(wǎng)絡(luò)中防止過(guò)擬合方法
    2.2 視頻及音頻數(shù)據(jù)預(yù)處理
        2.2.1 視頻數(shù)據(jù)預(yù)處理
        2.2.2 音頻數(shù)據(jù)預(yù)處理
    2.3 數(shù)據(jù)融合算法研究
        2.3.1 數(shù)據(jù)融合的定義及分類(lèi)
        2.3.2 數(shù)據(jù)融合方法
    2.4 系統(tǒng)性能評(píng)估方法與指標(biāo)
    2.5 本章小結(jié)
第3章 基于視頻的校園霸凌識(shí)別
    3.1 視頻圖像預(yù)處理
    3.2 視頻特征提取
        3.2.1 C3D卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 C3D卷積神經(jīng)網(wǎng)絡(luò)參數(shù)
    3.3 基于視頻的分類(lèi)算法設(shè)計(jì)
        3.3.1 分類(lèi)算法結(jié)構(gòu)
        3.3.2 分類(lèi)算法參數(shù)
    3.4 基于視頻的校園霸凌檢測(cè)結(jié)果
        3.4.1 分類(lèi)算法訓(xùn)練結(jié)果
        3.4.2 分類(lèi)算法識(shí)別結(jié)果
        3.4.3 分類(lèi)算法評(píng)估結(jié)果
    3.5 本章小結(jié)
第4章 基于音頻的校園霸凌識(shí)別
    4.1 語(yǔ)音預(yù)處理
    4.2 MFCC特征提取
        4.2.1 MFCC物理意義及優(yōu)勢(shì)
        4.2.2 MFCC提取流程
    4.3 語(yǔ)音情感分類(lèi)算法設(shè)計(jì)
        4.3.1 六分類(lèi)算法
        4.3.2 二分類(lèi)算法
    4.4 基于音頻的校園霸凌檢測(cè)結(jié)果
        4.4.1 二分類(lèi)算法訓(xùn)練結(jié)果
        4.4.2 二分類(lèi)算法識(shí)別結(jié)果及性能評(píng)估
    4.5 本章小結(jié)
第5章 視頻音頻融合判決算法
    5.1 數(shù)據(jù)融合理論
        5.1.1 DS算法理論
        5.1.2 DS算法理論局限性
    5.2 改進(jìn)DS算法理論
        5.2.1 改進(jìn)焦元函數(shù)
        5.2.2 改進(jìn)合成規(guī)則
        5.2.3 改進(jìn)方法的對(duì)比及性能分析
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多傳感器的數(shù)據(jù)融合算法研究[J]. 敬如雪,高玉琢.  現(xiàn)代電子技術(shù). 2020(10)
[2]試論校園暴力的產(chǎn)生原因及其防范措施[J]. 劉一凡.  法制與社會(huì). 2020(13)
[3]GFCC與韻律特征參數(shù)融合的語(yǔ)音情感識(shí)別[J]. 王華朋,劉恩,晁亞?wèn)|,劉元周,倪令格.  中國(guó)刑警學(xué)院學(xué)報(bào). 2020(02)
[4]基于語(yǔ)音情感分析系統(tǒng)的語(yǔ)音壓力測(cè)謊[J]. 晁亞?wèn)|,王華朋,劉恩,倪令格,劉元周.  刑事技術(shù). 2020(02)
[5]神經(jīng)網(wǎng)絡(luò)在礦物加工中預(yù)測(cè)應(yīng)用的研究現(xiàn)狀及展望[J]. 郭銳,劉丹,杜鈺,余龍舟.  硅酸鹽通報(bào). 2020(04)
[6]基于隨機(jī)自適應(yīng)方法的多傳感器融合算法[J]. 王茜,王穎超,曹菲.  計(jì)算機(jī)應(yīng)用與軟件. 2020(04)
[7]中學(xué)生校園暴力現(xiàn)象法制因素及策略[J]. 文紅剛.  法制博覽. 2020(07)
[8]擁擠場(chǎng)景下的暴力行為檢測(cè)[J]. 王聰,費(fèi)樹(shù)岷.  工業(yè)控制計(jì)算機(jī). 2020(02)
[9]基于深度卷積網(wǎng)絡(luò)和譜圖的語(yǔ)音情感識(shí)別[J]. 張家銘,王曉曼,景文博.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(01)
[10]未成年人暴力犯罪法律問(wèn)題研究[J]. 王夢(mèng)潔.  法制博覽. 2019(24)

碩士論文
[1]基于深度特征的特殊視頻內(nèi)容檢測(cè)算法研究[D]. 張棟梁.中央民族大學(xué) 2018



本文編號(hào)：3681778