[发明专利]一种面向平安城市视频监控应用的多示例多标签学习方法

权利要求书

1.一种面向平安城市视频监控应用的多示例多标签的学习方法，其特征在于，包括以下步骤：

步骤1：获取城市监控视频，提取视频的高层信息；所述高层信息包括实物信息和统计信息；所述高层信息的数量，作为多示例数据的真值，从而映射得到的多示例数据；

步骤2：统计目标监控区域中城市治安和交通状况，并人工划定多发区域；给这些治安和交通事故多发区域的视频监控打上标签，某种治安或交通多发则标定为+1，否则为-1，这些-1和+1的标签作为多标签数据的真值，从而映射得到的多标签数据；

步骤3：获取步骤1中的高层信息和步骤2中的标签之间的对应关系；当获取高层信息所在的地理区域与标签所对应的地理区域一致时，两者有对应关系；

步骤4：制作多示例多标签数据集(X_u,Y_u)，u＝1,2,…,m；其中，X_u表示第u个摄像头的高层信息所映射得到的多示例数据，Y_u表示第u个摄像头所在区域的治安和交通信息所映射得到的多标签数据，m表示数据集元素个数；

步骤5：将标签集拆分成p个子标签集Y¹,Y²,…,Y^p，将数据集拆分成p个多示例子标签集p表示拆分的子标签集个数；

步骤6：对每个多示例子标签集执行以下操作；

步骤6.1：将每个多示例子标签集转化为多示例单标签集每个多示例数据对应的子标签集都会转化为一个单标签

子标签集的真值范围为-1和+1，-1看做二进制的0，+1看做二进制的1，从而将子标签集转化为一个二进制串，进而得到一个十进制值，这个十进制值即为转化后的单标签；

步骤6.2：将多示例X_u映射到卷积神经网络的输入矩阵，将单标签所有可能取值映射到卷积神经网络的输出矩阵；

步骤6.3：设计卷积神经网络，设置初始的卷积核和偏置的参数值，这些参数的初始值在tensorflow中使用一个随机函数进行初始设置；

步骤6.4：在预先制作的SCVS数据集中的训练集上使用卷积神经网络对数据进行学习训练，优化参数；卷积神经网络利用反向传播算法不断调节这些初始参数从而进行优化，获得训练好的神经网络；

步骤7：针对目标监控区域中新的监控视频，提取视频的高层信息，将这些高层信息的值映射为多示例数据，这些多示例数据作为已训练好的神经网络的输入；

步骤8：执行已经训练好的神经网络，得到监控视频对应的预测单标签；

步骤9：将预测到的单标签反向转化为多标签，并将所有的子标签合并为初始完整的标签集；

步骤10：输出该监控视频所有的预测标签。

2.根据权利要求1所述的面向平安城市视频监控应用的多示例多标签的学习方法，其特征在于：步骤6.3中所述卷积神经网络，卷积神经网络输入矩阵为11×11，第一层的卷积核为3×3，卷积核的数目为32个，得到32个9×9的矩阵，然后进行ReLU激活，不进行池化；第二层卷积核为5×5，卷积核数目为256个，得到256个5×5的矩阵，然后进行ReLU激活；最后进行全连接，继续采用5×5的卷积核，选择1024个卷积核，得到1024个1×1的矩阵，获得了1024×1的矩阵，与需要的输出矩阵大小一致，接着进行Softmax回归，得到1024×1个范围为0到1的概率矩阵；接着计算交叉熵，反向传播求梯度调参，不断重复训练，优化参数，当训练精度的结果收敛时结束训练，用得到的训练参数对预先制作的SCVS数据集中的测试集进行预测，与真实结果进行比对，评估预测效果；获得训练好的神经网络。