校园中学生危险行为检测

已安装视频监控系统以确保校内学生安全。然而，发现打架、跌倒等危险行为通常依赖于不及时的人工观察。本文聚焦于自动检测学生危险行为，其面临诸多挑战，如数据集不足、姿态混淆、关键帧检测与及时响应。为应对这些挑战，我们首先从监控视频构建带位置与标签的危险行为数据集，并将长视频的动作识别转化为避免关键帧检测的目标检测任务。随后，我们提出一种名为DangerDet的新型端到端危险行为检测方法，其结合了多尺度身体特征与基于关键点的姿态特征。由于姿态与行为高度相关，我们可提升行为分类准确率。在我们的数据集上，DangerDet以约11 FPS取得71.0% mAP，在准确率与时间开销间保持了较好平衡。