多层级暴力行为识别技术

暴力行为的自动识别对公共安全、执法和安防监控至关重要。尽管计算机视觉技术已有长足进步，但如何兼顾识别准确率与处理速度，仍是实际应用中的难点。本文提出一种混合深度学习模型：前端用时间分布卷积神经网络（TD-CNN）逐帧提取画面特征；中间嵌入空间注意力模块，能自适应地突出图像中与暴力相关的关键区域（例如挥拳、推搡的位置），提升特征判别力；后端采用增强型长短期记忆网络（LSTM），专门建模连续帧之间的时间关系，从而捕捉打斗等暴力行为特有的运动模式。该模型在公开的‘冰球打架数据集’（Hockey Fight Dataset）上测试，达到93%的识别准确率，明显优于多种主流方法。实验证明，将卷积层、循环层与注意力机制分层级融合，在显著提升精度的同时，仍保持计算轻量，可部署于近实时监控系统。文中未涉及人体隐私数据采集，所有实验均使用已公开脱敏视频数据集，符合学术伦理规范。