一種基于CBAM-RCNN 輔助校內(nèi)人員軌跡預(yù)測以及外來人員風(fēng)險等級評估的數(shù)學(xué)模型

長安大學(xué)信息與網(wǎng)絡(luò)管理處 荀偉

近年來，大數(shù)據(jù)與人工智能技術(shù)的迅速發(fā)展，為安防監(jiān)控系統(tǒng)的升級和改進提供了新的思路和可能性。本研究將探討基于CBAM[1]算法搭建一個CBAM-RCNN模型：即C-R-M，借助人臉和人體識別技術(shù)的支持，智能安防監(jiān)控系統(tǒng)具備實時報警功能，還能有效監(jiān)測和管理非法入侵事件。模型可協(xié)助生成巡邏路徑，管理人員能夠?qū)崟r監(jiān)測巡邏人員的路徑，也可以事后檢索并還原巡邏人員的行程，提高了巡檢監(jiān)管的效率和準(zhǔn)確性[2,3]。

1 可行性分析

CBAM-RCNN 是一個基于深度學(xué)習(xí)的算法，需要使用大量的數(shù)據(jù)和計算資源進行訓(xùn)練和推理，可以實現(xiàn)人員檢測、人員識別和軌跡跟蹤等多種功能。在人員檢測方面，CBAM-RCNN 可以識別圖像中的物體并標(biāo)出其位置和類別，從而實現(xiàn)對視頻監(jiān)控中物體的實時區(qū)分。應(yīng)用CBAM 模塊可增強特征的表征效能和差異性，從而提升人員檢測的速度和精確性。

1.1 人員檢測

CBAM-RCNN 可以檢測圖像中的物體，并標(biāo)出它們的位置和類別。在模型訓(xùn)練過程中，模型會學(xué)習(xí)從圖像中提取特征，然后利用這些特征來生成邊界框和類別預(yù)測，基于這樣的特性，可以用CBAM-RCNN 實時區(qū)分視頻監(jiān)控里的物體類型，是人還是物。

1.2 人員識別

由于CBAM-RCNN 不僅可以檢測物體，還可以將物體分為不同的類別。在訓(xùn)練過程中，模型會學(xué)習(xí)從圖像中提取特征，在輸入基礎(chǔ)數(shù)據(jù)集后（即包含全校教職工以及學(xué)生的頭像信息），就可以利用模型區(qū)分人員是教職工、學(xué)生還是臨時人員，進而可進行校內(nèi)人員風(fēng)險等級分類和預(yù)測[4]。使用CBAM 模塊可以提高特征的表征能力和可區(qū)分性，從而提高分類的準(zhǔn)確性。

1.3 軌跡跟蹤

結(jié)合CBAM-RCNN 分類的準(zhǔn)確性以及快速處理的特性，本研究創(chuàng)新地將CBAM-RCNN 用于物體跟蹤。通過在連續(xù)的幀之間跟蹤物體的運動，CBAM-RCNN可以生成準(zhǔn)確的人員軌跡圖。在校園監(jiān)控和安全管理等方面具有較強的可行性以及廣泛的應(yīng)用前景。

2 數(shù)據(jù)預(yù)處理

如圖1 所示是本研究數(shù)據(jù)預(yù)處理步驟，由此可提高視頻和圖片數(shù)據(jù)質(zhì)量。

通過圖1 中的數(shù)據(jù)預(yù)處理，可以使視頻和圖片數(shù)據(jù)更好地適應(yīng)后續(xù)數(shù)據(jù)處理的需求，進而提高目標(biāo)檢測模型的性能和精度，最終獲得更好的預(yù)測與分類結(jié)果。

3 數(shù)據(jù)處理

3.1 模型搭建

3.1.1 CBAM

（1）CBAM 是由Woo 于2018 年提出的一種多重關(guān)注機制，能夠同時聚焦通道和空間，從而實現(xiàn)更卓越的性能表現(xiàn)。（2）通道注意力機制：對輸出的特征依次進行求和操作，通過應(yīng)用Sigmoid 函數(shù)進行激活，得到通道注意力特征的權(quán)重。接下來，將這些特征權(quán)重與輸入的特征進行逐元素相乘操作，從而生成空間注意力模塊所需的特征。（3）空間注意力機制：對輸入的特征圖進行基于通道的全局最大池化和全局平均池化運算，然后將獲得的特征圖進行通道級別的合并。這樣的設(shè)計有助于模型更好地關(guān)注重要的空間區(qū)域，從而提高模型性能。

3.1.2 殘差網(wǎng)絡(luò)

經(jīng)過第一層線性變換和激活函數(shù)后的輸出為F(x)，第二層是在這個輸出和輸入x之間進行的。在進行第二層的線性變換和激活函數(shù)之前，將輸入x添加到了路徑中，創(chuàng)建了一個shortcut。最終的輸出是在應(yīng)用激活函數(shù)后獲得的σ(F(x)+x)。

3.1.3 卷積神經(jīng)網(wǎng)絡(luò)

將圖片或信號作為初始輸入傳遞給卷積神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)使用卷積核對輸入數(shù)據(jù)進行掃描和卷積運算，以計算數(shù)據(jù)的權(quán)重和偏差。接下來，通過激活函數(shù)引入非線性變換，以擬合相關(guān)的映射關(guān)系，從而建立故障數(shù)據(jù)與故障狀態(tài)之間的連接，如式（1）所示：

式(1)中：xl+1為當(dāng)前層的輸出，xl為當(dāng)前層的輸入，kl為卷積核，bl為偏置，f(*)為激活函數(shù)。

在本研究中，選擇用如式（2）所示的ReLU 函數(shù)：

ReLU 函數(shù)在輸入值小于0 時梯度為0，這可以避免出現(xiàn)函數(shù)值過小導(dǎo)致梯度消失的問題，從而加快訓(xùn)練過程。在卷積層中，輸出數(shù)據(jù)會進行批量歸一化（即BN，Batch Normalization）。本研究中使用的BN 公式如式（3）、式（4）所示：

式(3)中：μB為數(shù)據(jù)的均值，σB2為方差，為歸一化后的值；式(4)中：γ,β為BN重構(gòu)參數(shù)。

經(jīng)過多次卷積和批量歸一化處理后，特征數(shù)據(jù)將被全局平均池化，再將池化層的輸出通過Softmax 分類器進行分類，最終輸出結(jié)果。

3.1.4 CBAM-RCNN 模型結(jié)構(gòu)

本研究提出了一種基于CBAM-RCNN 算法的模型，該模型主要由卷積網(wǎng)絡(luò)、CBAM 和殘差塊組成。CBAM和殘差塊被融合進卷積網(wǎng)絡(luò)中，以實現(xiàn)最佳的故障診斷效果，如式（5）所示：

式(5)中：xl+1為當(dāng)前輸出，xl為上層輸出、當(dāng)前輸入，kl為核，bl為偏置，f(*)為激活函數(shù)，BN 為函數(shù)BatchNorm。

3.1.5 CBAM-RCNN 模型訓(xùn)練與驗證

為評估CBAM-RCNN 模型的特征提取和分類預(yù)測性能，我們采用了交叉熵損失函數(shù)作為評價指標(biāo)，度量實際值與模型輸出值之間的誤差。鑒于視頻幀或圖像中人體部位像素分布不均，為更準(zhǔn)確評估模型分類預(yù)測，我們采用分層k 折交叉驗證方法驗證模型。

將所有樣本隨機分成k 個相等子樣本集，同時保持各類別比例。然后，使用k-1 個子樣本集進行模型訓(xùn)練，剩余1 個子樣本集用于驗證。這有效評估模型在不同數(shù)據(jù)子集上的性能，全面了解其表現(xiàn)。我們重復(fù)這個過程k 次，每次選擇不同的子樣本集作為驗證集，然后將k 次得到的結(jié)果取平均值作為最終的驗證結(jié)果。

3.2 代碼實現(xiàn)

用CBAM-RCNN 算法實現(xiàn)檢測、識別和追蹤需要實現(xiàn)以下幾個步驟：（1）數(shù)據(jù)預(yù)處理：根據(jù)已經(jīng)準(zhǔn)備好的人員頭像數(shù)據(jù)集，使用OpenCV 庫中的函數(shù)對圖片進行裁剪、縮放和歸一化操作。使用cv2.resize()函數(shù)將圖片調(diào)整到指定大小，再使用cv2.cvtColor()函數(shù)將圖片轉(zhuǎn)換為灰度圖像。（2）模型構(gòu)建：使用CBAM-RCNN 算法構(gòu)建目標(biāo)檢測模型，本研究中用PyTorch、TensorFlow等深度學(xué)習(xí)框架搭建CBAM-RCNN 模型。（3）模型訓(xùn)練：使用準(zhǔn)備好的頭像數(shù)據(jù)集，通過反向傳播算法對模型進行訓(xùn)練和優(yōu)化，以提高模型的準(zhǔn)確率和魯棒性。（4）模型測試：使用測試數(shù)據(jù)集對模型進行測試，評估模型的準(zhǔn)確率和性能。（5）應(yīng)用部署：將訓(xùn)練好的模型部署到監(jiān)控系統(tǒng)中，實現(xiàn)人員檢測、人員識別和軌跡跟蹤功能。

4 實驗驗證與結(jié)果分析

4.1 模型參數(shù)

為了構(gòu)建模型，本研究選擇了基于Python 語言的Pytorch 框架。計算機使用的是Windows 10 操作系統(tǒng)，硬件配置為8GB 內(nèi)存。優(yōu)化算法選擇了Adam，并采用了學(xué)習(xí)率的一種衰減策略：OneCycleLR，當(dāng)中，學(xué)習(xí)率最大值設(shè)置為：0.001。模型的具體參數(shù)設(shè)置如表1、表2 所示。

表1 模型訓(xùn)練參數(shù)設(shè)置Tab.1 Model training parameter settings

表2 模型網(wǎng)絡(luò)參數(shù)設(shè)置Tab.2 Model network parameter settings

4.2 處理結(jié)果與對比分析

為了保證本研究的可靠性，采用分層4 折交叉驗證策略。隨機選擇所有樣本的3/4（共75 個樣本）作為訓(xùn)練集，并使用剩余1/4 的樣本（共25 個）作為驗證樣本，將整個過程重復(fù)進行4 次，并將4 次驗證結(jié)果的均值作為模型最終預(yù)測的準(zhǔn)確率，每折訓(xùn)練200 次。

為驗證本文所構(gòu)建的模型在軌跡預(yù)測與風(fēng)險等級分析方面的性能，我們創(chuàng)建了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于CBAM 的卷積網(wǎng)絡(luò)，其參數(shù)設(shè)置與該模型相同。具體而言，我們將CNN 網(wǎng)絡(luò)的層數(shù)設(shè)置為4 層，卷積核數(shù)分別設(shè)置為8、16、32、64。CBAM-CNN 模型的卷積層有5 層，相對于以上CBAM-RCNN 模型，只缺失了殘差塊的部分。我們使用相同的樣本進行訓(xùn)練，包括41個正常樣本、23 個人體數(shù)目較少的樣本和49 個人體數(shù)目較多的樣本。此外，我們還使用相同的驗證方法對這些模型進行驗證，如表3 所示。

表3 模型驗證結(jié)果對比Tab.3 Comparison of model verification results

針對每個狀態(tài)的樣本，CBAM-RCNN 模型的準(zhǔn)確率比CNN 模型更高。與CBAM-CNN 模型相比，CBAMRCNN 模型在正常、人數(shù)較少和人數(shù)較多的樣本中表現(xiàn)更好。CBAM-RCNN 模型的總準(zhǔn)確率為88.33%，CBAMRCNN 模型表現(xiàn)出了比CNN 和CBAM-CNN 模型更高的準(zhǔn)確率，分別超過了它們22%和15%。這些驗證結(jié)果充分驗證了CBAM-RCNN 模型的有效性。

5 結(jié)論

為了改進卷積網(wǎng)絡(luò)的性能，本文引入了CBAM 和殘差塊，構(gòu)建了CBAM-RCNN 模型，將其應(yīng)用于智慧安防領(lǐng)域，并對其進行了測試對比。以下是本文的研究工作和結(jié)論：（1）數(shù)據(jù)預(yù)處理階段，通過對基礎(chǔ)視頻和圖片數(shù)據(jù)進行圖片增強，包括縮放、標(biāo)準(zhǔn)化和去噪等操作，將處理后的數(shù)據(jù)作為模型的輸入。這種預(yù)處理方法能夠有效提高視頻和圖像中人體人臉特征的有效性，并增強模型的魯棒性。（2）在CBAM-RCNN 模型中，引入了多注意力機制，使用CBAM 來優(yōu)化網(wǎng)絡(luò)參數(shù)設(shè)置，實現(xiàn)任務(wù)關(guān)鍵信息聚焦。同時，采用殘差塊以防止模型梯度爆炸和梯度消失問題，從而提升網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性。根據(jù)實驗驗證結(jié)果，相對于單獨使用CNN 模型或CBAM-CNN模型，CBAM-RCNN 模型的準(zhǔn)確率有明顯提高。（3）為了避免模型的過擬合，本文采用全局平均池化層替代卷積神經(jīng)網(wǎng)絡(luò)中的全連接層，這一策略有效減輕了模型的過擬合問題，同時減少了模型的參數(shù)數(shù)量，提高了模型的運行速度。

綜上所述，CBAM-RCNN 模型由于能有效提升監(jiān)控中人體識別的性能、具有較高的準(zhǔn)確率和穩(wěn)定性且能避免過擬合的問題，所以在輔助實現(xiàn)校內(nèi)人員軌跡預(yù)測和外來人員風(fēng)險等級評估方面有顯著效果，進而為實現(xiàn)校內(nèi)智慧安防提供了一種新的思路。通過實時對校內(nèi)人員的軌跡和外來人員的行為進行分析和評估，提高了安防監(jiān)控系統(tǒng)的準(zhǔn)確性和實時性，為當(dāng)前安防監(jiān)控系統(tǒng)的升級和改進提供了參考。