摘要
在日益被持续监控的世界中，监控摄像头在公共空间中通过发挥威慑作用，对遏制犯罪与暴力行为起到了至关重要的作用。为了进一步提升其效能，亟需开发能够实时检测犯罪行为的自动化工具。本文提出了一种新颖的深度学习架构，能够准确且高效地检测监控视频中的暴力犯罪行为。我们基于以下核心信息进行暴力检测：人体躯干及其相互作用。为此，我们采用人体姿态提取器（human pose extractors）与变化检测器（change detectors）作为模型的输入。随后，我们提出一种创新的融合方法，该方法通过加法而非乘法操作实现信息融合，从而确保当任一输入信号为零值时，信息仍能有效传递，显著优于现有文献中的其他融合策略。最后，为同时建模空间与时间特征，我们采用标准LSTM的卷积变体——ConvLSTM。在多个基准数据集上进行的实验结果表明，所提方法在检测性能与计算效率方面均表现出色，实现了当前最优（state-of-the-art）的检测效果，且所需可训练参数显著减少。相关代码已开源，可供复现该架构，地址为：https://github.com/atmguille/Violence-Detection-With-Human-Skeletons。