[發(fā)明專利]一種視頻流異常事件的檢測方法及裝置有效
| 申請?zhí)枺?/td> | 201610074818.7 | 申請日： | 2016-02-02 |
| 公開（公告）號： | CN105608446B | 公開（公告）日： | 2019-02-12 |
| 發(fā)明（設計）人： | 李楠楠;李革;徐旦 | 申請（專利權）人： | 北京大學深圳研究生院 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62 |
| 代理公司： | 深圳鼎合誠知識產權代理有限公司 44281 | 代理人： | 郭燕;彭家恩 |
| 地址： | 518055 廣東省*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 視頻 異常 事件 檢測 方法 裝置 | ||
1.一種視頻流異常事件的檢測方法，其特征在于，包括：
將訓練樣本集輸入至深度學習神經網絡，學習得到所述深度學習神經網絡的模型參數，得到訓練后的深度學習神經網絡；其中，所述深度學習神經網絡包括：堆疊在一起的多個自動編碼器機，所述訓練樣本集為多個訓練樣本的集合，所述訓練樣本提取自訓練圖像；
根據所述訓練樣本，分別學習出所述訓練樣本的外形信息特征參數、運動信息特征參數以及所述外形信息和所述運動信息的聯合特征參數；
采用支持向量機學習方法，分別對所述訓練圖像的外形信息特征參數、運動信息特征參數以及所述外形信息和所述運動信息的聯合特征參數進行學習，對應構建出三個單分類支持向量機模型；
將待測的視頻流圖像預先分成若干個預設大小的待測圖像塊，將所述待測圖像塊輸入至所述訓練后的深度學習神經網絡，分別學習出所述待測圖像塊的外形信息特征參數、運動信息特征參數以及所述外形信息和所述運動信息的聯合特征參數；
將所述待測圖像塊的外形信息特征參數、運動信息特征參數以及所述外形信息和所述運動信息的聯合特征參數分別輸入至所述三個單分類支持向量機模型，對應計算得到所述圖像塊的三類異常信息的得分；
將所述三類異常信息的得分做加權求和，計算得到所述圖像塊的異常事件得分；
判斷所述異常事件得分是否大于閾值，若是，則判定所述圖像塊為異常事件。
2.如權利要求1所述的視頻流異常事件的檢測方法，其特征在于，所述訓練樣本為圖像塊的外形信息特征，所述將訓練樣本輸入至深度學習神經網絡包括：
使用若干個不同尺寸的滑動窗口對訓練圖像進行滑動采樣，得到多個不同尺寸的訓練圖像塊；
將所述多個不同尺寸的圖像塊縮放到尺寸為wa×ha×ca大小的圖像塊；其中，wa和ha是圖像片段的寬度和高度，ca是圖像顏色的通道數目；
將尺寸為wa×ha×ca大小的圖像塊歸一化至[0,1]，得到所述訓練樣本并輸入至深度學習神經網絡。
3.如權利要求1所述的視頻流異常事件的檢測方法，其特征在于，所述訓練樣本為圖像塊的運動信息特征，所述將訓練樣本輸入至深度學習神經網絡包括：
使用預設尺寸的窗口在圖像中滑動采集光流塊其中，wm和hm是光流塊的寬度和高度，cm是圖像顏色的通道數目；
將尺寸為wm×hm×cm大小的光流塊歸一化至區(qū)間[0,1]，得到所述訓練樣本并輸入至深度學習神經網絡。
4.如權利要求1所述的視頻流異常事件的檢測方法，其特征在于，所述訓練樣本為圖像塊的外形信息和所述運動信息的聯合特征，所述將訓練樣本輸入至深度學習神經網絡包括：
從同一訓練圖像的同一位置上采集wa×ha×ca大小的圖像塊以及采集光流塊其中，wa和ha是圖像片段的寬度和高度，ca是圖像顏色的通道數目，wm和hm是光流塊的寬度和高度，cm是圖像顏色的通道數目；
將所述wa×ha×ca大小的圖像塊以及采集光流塊輸入至深度學習神經網絡。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京大學深圳研究生院，未經北京大學深圳研究生院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201610074818.7/1.html，轉載請聲明來源鉆瓜專利網。
