[發(fā)明專利]基于重建誤差的非特定異常事件檢測及定位方法、計算機

有效

• 申請?zhí)枺?/td>: 201710561003.6
• 申請日: 2017-07-11
• 公開（公告）號: CN107358195B
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計）人: 邵杰;武慧敏;宋井寬;高聯(lián)麗;申恒濤
• 申請（專利權(quán)）人: 成都考拉悠然科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 夏艷

本發(fā)明屬于計算機視覺和人工智能技術(shù)領(lǐng)域，公開了一種基于重建誤差的非特定異常事件檢測定位方法、計算機，VAE/GAN嵌入two?streamarchitecture中；視頻原始數(shù)據(jù)輸入到一個VAE/GAN中實現(xiàn)空間數(shù)據(jù)生成，對應(yīng)的光流場輸入到另一個VAE/GAN中實現(xiàn)時間數(shù)據(jù)生成。本發(fā)明視頻原始數(shù)據(jù)輸入到一個VAE/GAN中訓(xùn)練一個空間數(shù)據(jù)生成模型，對應(yīng)的光流場輸入到另一個VAE/GAN中訓(xùn)練一個時間數(shù)據(jù)生成模型，經(jīng)過離線訓(xùn)練后，2stream?VAE/GAN學(xué)會了如何生成當(dāng)前視頻場景下的正常數(shù)據(jù)；在現(xiàn)流行的數(shù)據(jù)集UCSD Ped1和UCSD Ped2上，達(dá)到了0.71和0.89的AUC值。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺和人工智能技術(shù)領(lǐng)域，尤其涉及一種基于重建誤差的非特定異常事件檢測定位方法、計算機。

背景技術(shù)

當(dāng)今社會，威脅社會治安的犯罪活動乃至恐怖襲擊事件時有發(fā)生。傳統(tǒng)的監(jiān)控系統(tǒng)嚴(yán)重依賴人力資源，視頻只能作為事后取證的依據(jù)，而不能在異常事件發(fā)生之處及時發(fā)出警報。除此之外，收集異常事件也有助于相關(guān)決策部門有針對性地做出政策的調(diào)整。因此，實時異常檢測定位以及線下異常檢測定位對于公共治安有著重要意義，而這些需求，是目前的依靠人力的監(jiān)控系統(tǒng)無法滿足的。監(jiān)控視頻中的研究非特定異常事件檢測以及定位吸引了很多學(xué)者的關(guān)注，一系列解決方案被提出。

在非特定異常事件檢測以及定位任務(wù)的訓(xùn)練集中只有正常視頻，測試數(shù)據(jù)集中的視頻包含了正常事件以及偏離正常事件的異常事件。為了能在合適的粒度下定位異常事件，通常將視頻分成互相不重合的大小為的三維子塊，其中，和分別代表三維子塊的寬度、長度以及幀數(shù)。

實現(xiàn)這個任務(wù)的難點在于：首先，我們需要從外觀特征和動態(tài)特征兩方面來分析視頻是正常還是異常，對視頻特征提取提出了挑戰(zhàn)；其次，訓(xùn)練集中只有正常事件，沒有異常事件的任何信息，這就為定義“正常”以及離群值檢測規(guī)則提出了挑戰(zhàn)。對于第一個挑戰(zhàn)，現(xiàn)流行方法傾向于設(shè)計傳統(tǒng)的手工特征。由于手工特征只能提取簡單的、低級的特征，在本發(fā)明中，采用了深度模型來提取高級的、包含更多語義信息的特征。對于第二個挑戰(zhàn)，現(xiàn)流行方法可分為兩類，一種是基于概率的方法，也就是說檢測測試集中不符合由訓(xùn)練集數(shù)據(jù)的概率分布模型的數(shù)據(jù)，如“Weixin Li,Vijay Mahadevan,andNunoVasconcelos.2014.Anomaly Detection and Localization in CrowdedScenes.IEEE Trans.Pattern Anal.Mach.Intell.36,1(2014),18–32.”和“VenkateshSaligrama and Zhu Chen.2012.Video anomaly detection based on localstatistical aggregates.In 2012IEEE Conference on Computer Vision and PatternRecognition,Providence,RI,USA,June16-21,2012.2112–2119.”。基于概率的方法將偏離正常模式的數(shù)據(jù)視為異常數(shù)據(jù)，這跟異常的定義是一致的，但是直接描述高維數(shù)據(jù)分布，現(xiàn)有數(shù)據(jù)是不足的，導(dǎo)致直接描述的數(shù)據(jù)分布并不準(zhǔn)確；另一種是基于模板的方法，即選出訓(xùn)練集數(shù)據(jù)中的代表性數(shù)據(jù)，根據(jù)測試集數(shù)據(jù)從這些模板恢復(fù)出來的重建誤差來判斷是否為異常，如“Kai-Wen Cheng,Yie-Tarng Chen,and Wen-Hsien Fang.2015.Video anomalydetection and localization using hierarchical feature representation andGaussian process regression.In IEEE Conference on Computer Vision and PatternRecognition,CVPR 2015,Boston,MA,USA,June 7-12,2015.2909–2917.”，“Yang Cong,Junsong Yuan,and Ji Liu.2011.Sparse reconstruction cost for abnormal eventdetection.In The 24th IEEE Conference on Computer Vision and PatternRecognition,CVPR 2011,Colorado Springs,CO,USA,20-25June 2011.3449–3456.”，“Cewu Lu,Jianping Shi,and JiayaJia.2013.Abnormal Event Detection at 150FPS inMATLAB.In IEEE International Conference on Computer Vision,ICCV 2013,Sydney,Australia,December 1-8,2013.2720–2727.”以及“MehrsanJavanRoshtkhari and MartinD.Levine.2013.Online Dominant andAnomalous Behavior Detection in Videos.In2013IEEE Conference on ComputerVision and Pattern Recognition,Portland,OR,USA,June 23-28,2013.2611–2618.”。這類方法通常通過追求稀疏性來壓縮樣本集合的大小，以達(dá)到降低時間、空間復(fù)雜度的目的，這樣一個由有限集合的數(shù)據(jù)張成的空間的表述能力是有限的，也是相對來說刻板的。