[發明專利]復雜環境下基于深度學習的異常檢測方法

有效

• 申請號: 201710535492.8
• 申請日: 2017-07-03
• 公開（公告）號: CN107330410B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 邱鵬;霍瑛;黃陳蓉;陳行
• 申請（專利權）人: 南京工程學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/246;G06T7/73
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

本發明提供一種復雜環境下基于深度學習的異常檢測方法，通過將卷積神經網絡回歸法提取的物體時空特征輸入LSTM模型，追蹤復雜環境中多物體的運動軌跡；在多物體無規則運動的情況下捕捉相鄰個體的非線性時空動作，評估相鄰個體間運動軌跡的依賴性，預測它們未來的運動軌跡；根據個體未來運動軌跡的異常概率來完成異常檢測。該方法能夠降低對于圖像的誤檢率，現有技術主要是檢測單個物體的時空特征，并未考慮復雜環境下相鄰個體運動軌跡存在相互干擾的情況，本發明所述的LSTM模型，通過評估相干個體間的依賴性，使用編碼解碼框架預測物體未來運動軌跡，從而能夠在對多物體運動進行異常檢測時獲得更精確的結果。

技術領域

本發明涉及一種復雜環境下基于深度學習的異常檢測方法。

背景技術

一般來說，異常檢測是指檢測環境中的異常行為或者不符合預期行為的數據。隨著深度學習在人工智能領域的推廣，使得在諸如地鐵、體育場、機場等復雜環境中的異常檢測得到了計算機視覺技術的廣泛應用，然而這類高密度環境給異常檢測帶來了巨大的挑戰。面對大量物體不斷的無規則運動，如何解決物體相互間的干擾問題，如何在多物體運動軌跡相互影響的情況下檢測異常，已成為目前異常檢測研究中所面臨的一個重要問題。

異常可以是罕見的外形或者動作，在已有的研究成果中，通過機器學習獲得一個正常視頻幀區域，并把這個區域作為參考模型，參考模型包含正常事件或者正常訓練數據集。在測試階段，研究人員把不同于參考模型的區域視作異常。然而這種非標準的參考模型往往很難準確的定義，因為存在具有特殊屬性的正常事件，此外，很難準備涵蓋不同領域的大量數據集進行訓練。

目前在復雜環境中進行異常檢測的方法主要有以下兩種：1)基于軌跡法：如果一個物體沒有按照正常軌跡運動或者它出現的頻率更低，則被稱作異常；2)基于動作法：跟正常運動物體相比較，異常物體有明顯不同的動作模式。

復雜環境中的異常檢測問題可以歸結為構建深度學習模型進行異常檢測問題，其研究難點在于如何設計帶有靜態數據、序列數據和空間數據的學習模型，如何將數據有效的應用到學習模型中。尤其是現有技術主要負責檢測單個物體的時空特征，并未考慮復雜環境下相鄰個體運動軌跡存在互相干擾的情況，使得異常檢測效果不理想。因此，設計一種深度學習模型在復雜環境中進行異常檢測的方法具有重要的理論意義和應用價值。但是，現有技術中尚無相關描述。

發明內容

本發明的目的是提供一種復雜環境下基于深度學習的異常檢測方法，能夠在相鄰個體運動存在相互影響的情況下，降低對圖像的誤檢率，尤其在擁擠環境中進行異常檢測具有更良好的表現，為解決復雜環境中的異常檢測問題提供了一種新的思路，解決現有技術中存在的未考慮復雜環境下相鄰個體運動軌跡存在互相干擾的情況，使得異常檢測效果不理想的問題。

本發明的技術解決方案是：

一種復雜環境下基于深度學習的異常檢測方法，通過長短期記憶模型進行多物體軌跡追蹤，之后捕捉相鄰個體間的非線性時空動作并預測它們未來的運動軌跡，根據個體未來運動軌跡的異常概率來完成異常檢測，具體包括以下步驟：

步驟1、將卷積神經網絡回歸法提取的物體時空特征輸入LSTM模型，追蹤復雜環境中多物體的運動軌跡；

步驟2、在多物體無規則運動的情況下捕捉相鄰個體的非線性時空動作，評估相鄰個體間運動軌跡的依賴性，預測它們未來的運動軌跡；

步驟3、根據個體未來運動軌跡的異常概率來完成異常檢測。

進一步地，步驟1具體為：