论文部分内容阅读
打击暴恐视频工作是网络反恐的重要组成部分,但随着互联网技术的不断发展及规模的不断扩大,原有工作模式已经难以适应当前的工作要求,存在工作效率低、人力消耗高、工作不深入等突出难题。在当前历史时期下,运用人工智能技术优势促进打击暴恐视频工作转型,是兼具必要性和可操作性的有力举措。针对当前学术研究普遍存在的训练集不准、应用场景不明确的突出问题,本文将首先探讨总结暴恐视频的定义、内容特征及其危害,明确什么是暴恐视频的基础性问题,并使用司法实践认定的暴恐视频文件作为视频识别技术的训练集;其次,本文将结合相关法律法规提出各法律主体在打击暴恐视频工作中主要承担的职责义务,明确打击暴恐视频工作应用场景和业务需求,提出改进暴恐视频打击工作建议;最后,本文将针对暴恐视频识别算法中涉及到的视频关键帧提取、暴恐图像特征检测等关键技术分别开展研究工作,针对暴恐视频内容特征提出了基于帧间差平均值判断的暴恐视频关键帧提取算法,针对暴恐视频logo位置尺寸特征提出了基于损失函数的YOLOv3暴恐特征识别模型改进算法。(1)提出了适用于不同法律主体的暴恐视频识别方法。明确应用场景和需求是技术应用的第一步,只有明确了什么是暴恐视频、当前打击暴恐视频的工作现状及问题,才能真正理解基于内容的暴恐视频识别技术的实现方向,做到有的放矢。本文针对学术研究普遍存在的训练集不准、应用场景不明确突出问题,结合司法实践对暴恐视频内容、特征进行研究总结,并根据相关法律对打击暴恐视频工作中相关主体的具体需求进行了总结提炼,提出了适用于不同法律主体的暴恐视频识别方法。(2)提出了基于帧间差平均值判断的暴恐视频关键帧提取算法。针对暴恐视频的内容特征,选取帧间差分法对暴恐视频进行关键帧提取,提出了基于视频帧间差平均值判断的暴恐视频专用关键帧提取算法,不仅能够有效降低对暴恐特征的检测消耗、提高检测效率,同时能够将提取出暴恐视频的关键帧图像作为训练样本,解决了训练样本缺乏的问题,实验数据证明能够高效准确提取暴恐视频关键镜头。(3)提出了基于损失函数的YOLOv3模型改进算法。分析了SSE、交叉熵等损失函数对YOLOv3模型训练的影响,针对暴恐视频logo大小位置相对固定的特点,提出了基于改进损失函数的YOLOv3模型改进算法,设计了专门的损失函数类型用于暴恐图像训练,并通过实验验证了有关算法的有效性。