[發明專利]一種視頻幀檢測方法及裝置

有效

• 申請號: 201710552142.2
• 申請日: 2017-07-07
• 公開（公告）號: CN109214253B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 趙一儒;劉垚;鄧兵;黃建強;華先勝
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 李輝

1.一種視頻幀檢測方法，其特征在于，所述方法包括：

獲取目標視頻幀序列；

利用卷積神經網絡模型提取所述目標視頻幀序列的視頻特征數據，所述卷積神經網絡模型被設置為根據多個基準歷史視頻幀序列進行學習得到；其中，所述卷積神經網絡模型包含多個通道，且按照正向傳遞過程依次包含第一組至第N組卷積-采樣層，每組卷積-采樣層中按照正向傳遞過程包含一個卷積層和一個采樣層，第N-1組卷積-采樣層中的采樣層與第N組卷積-采樣層中的卷積層全連接，N1；

根據所述視頻特征數據進行視頻重建，生成重建視頻幀序列；

基于所述目標視頻幀序列和所述重建視頻幀序列之間的差異值，確定所述目標視頻幀序列中存在異常事件；

其中，所述卷積神經網絡模型被設置為根據多個基準歷史視頻幀序列進行學習得到包括：

1)利用卷積神經網絡模型分別提取多個基準歷史視頻幀序列的視頻特征數據，并根據所述視頻特征數據進行視頻重建，生成重建視頻幀序列；

2)計算所述基準歷史視頻幀序列和所述重建視頻幀序列之間的重建差異值；

3)利用所述卷積神經網絡模型分別預測所述多個基準歷史視頻幀序列的預測視頻幀序列；

4)計算所述基準歷史視頻幀序列的下一組基準歷史視頻幀序列與所述預測視頻幀序列之間的預測差異值；

5)重復調整所述卷積神經網絡模型的模型參數，直至所述重建差異值與所述預測差異值的和值不大于預設閾值。

2.根據權利要求1所述的方法，其特征在于，所述重復調整所述卷積神經網絡模型的模型參數，直至所述重建差異值與所述預測差異值的和值不大于預設閾值包括：

判斷所述重建差異值與所述預測差異值的和值是否大于預設閾值；

若判斷結果為是，則調整所述卷積神經網絡模型的模型參數；

重復步驟1)至4)，直至所述重建差異值與所述預測差異值的和值不大于預設閾值。

3.根據權利要求1所述的方法，其特征在于，所述計算所述基準歷史視頻幀序列和所述重建視頻幀序列之間的重建差異值包括：

分別計算所述基準歷史視頻幀序列和所述重建視頻幀序列對應視頻幀之間的歐式距離；

根據所述歐式距離確定所述歷史視頻序列和所述重建視頻幀序列之間的重建差異值。

4.根據權利要求1所述的方法，其特征在于，所述計算所述基準歷史視頻幀序列的下一組基準歷史視頻幀序列與所述預測視頻幀序列之間的預測差異值包括：

分別計算所述基準歷史視頻幀序列的下一組基準歷史視頻幀序列和所述預測視頻幀序列對應視頻幀之間的歐式距離；

設置所述歐式距離的權重值，所述權重值的大小被設置為按照視頻幀時間上由先至后的順序依次遞減；

根據所述歐式距離和所述歐式距離的權重值確定所述下一組基準歷史視頻幀序列和所述預測視頻幀序列之間的預測差異值。

5.根據權利要求1所述的方法，其特征在于，在確定所述目標視頻幀序列中存在異常事件之后，所述方法包括：

發送警報消息，所述警報消息中包括所述異常事件的發生地點和發生時間。

6.一種卷積神經網絡模型構建方法，其特征在于，所述方法包括：

1)利用卷積神經網絡模型分別提取多個基準歷史視頻幀序列的視頻特征數據，并根據所述視頻特征數據進行視頻重建，生成重建視頻幀序列；其中，所述卷積神經網絡模型包含多個通道，且按照正向傳遞過程依次包含第一組至第N組卷積-采樣層，每組卷積-采樣層中按照正向傳遞過程包含一個卷積層和一個采樣層，第N-1組卷積-采樣層中的采樣層與第N組卷積-采樣層中的卷積層全連接，N1；

2)計算所述基準歷史視頻幀序列和所述重建視頻幀序列之間的重建差異值；

3)利用所述卷積神經網絡模型分別預測所述多個基準歷史視頻幀序列的預測視頻幀序列

4)計算所述基準歷史視頻幀序列的下一組基準歷史視頻幀序列與所述預測視頻幀序列之間的預測差異值；

5)重復調整所述卷積神經網絡模型的模型參數，直至所述重建差異值與所述預測差異值的和值不大于預設閾值。