[發明專利]一種視頻流異常事件的檢測方法及裝置

有效

• 申請號: 201610074818.7
• 申請日: 2016-02-02
• 公開（公告）號: CN105608446B
• 公開（公告）日: 2019-02-12
• 發明（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

本申請提供的視頻流異常事件的檢測方法及裝置，將自動編碼機堆疊起來構建深度神經網絡框架，通過無監督的方式學習外形和運動信息的深度表述特征，設計單分類支持向量機作為正常與異常事件的分類器。為了更好地利用外形和運動信息的互補性，使用了兩層信息融合方式來提高分類器的分類能力：前期的特征融合和后期的分類結果融合，兩次的融合技術來更好利用外形和運動信息之間的互補性，提高了異常事件檢測和定位的準確率。

技術領域

本發明涉及圖像處理技術領域，一種視頻流異常事件的檢測方法及裝置。

背景技術

在視頻流中自動檢測異常事件是智能視頻監控的一個基本研究問題，近年來在工業界和學術界都引起了極大的關注。視頻異常事件檢測同時也和計算機視覺領域其他的問題相關聯，比如：顯著性分析，興趣區域預測等。處理這類問題的方法通常是通過正常行為模式學習一個行為模型，把與此模型顯著背離的模式檢測為異常行為。以前學者的研究工作大體上可以劃分為兩類：基于場景中獨立目標軌跡分析和基于空間或者時間行為模式構建。現有技術中一種是采用具有相似運動模式且空間上靠近的軌跡被識別出來且用于異常事件檢測；另一種是使用多層次光流直方圖作為特征描述子，構建一個稀疏詞典模型來描述正常行為模式，把特征重構誤差作為異常事件檢測的標準。但是，這類方法有一個共同的特點：從低層次的外形和動作描述中，人工提取出一些特征用于模型構建。但是這些人工特征隱含了對描述對象的先驗知識。然而，在復雜的視頻監控場景下，這些先驗知識很難獲得，因而人工提取特征具有很大的局限性，因此，現有技術的視頻流檢測中，不僅檢測難度大，并且檢測的準確性也受到制約，導致檢測不準。

發明內容

本申請提供一種視頻流異常事件的檢測方法及裝置，可以提高異常事件檢測和定位的準確率。

根據第一方面，一種實施例中提供一種視頻流異常事件的檢測方法，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。