摘要

视频中个体或群体间暴力行为的自动识别具有广泛的研究兴趣。本文提出了一种端到端的深度神经网络模型，用于视频中的暴力行为识别。该模型首先采用在ImageNet上预训练的VGG-16作为空间特征提取器，随后利用长短期记忆网络（LSTM）提取时间特征，并通过一系列全连接层完成分类任务。实验结果表明，该模型的识别准确率接近当前最先进水平。此外，本文还引入了一个新的基准数据集，命名为“真实生活暴力场景”（Real-Life Violence Situations），该数据集包含2000段短视频，其中1000段为暴力视频，1000段为非暴力视频。利用该新基准对模型进行微调后，取得了最高88.2%的识别准确率。