[發明專利]一種異常事件檢測方法、裝置及電子設備

在審

• 申請號: 201810031159.8
• 申請日: 2018-01-12
• 公開（公告）號: CN110032917A
• 公開（公告）日: 2019-07-19
• 發明（設計）人: 程戰戰;鈕毅;羅兵華
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 馬敬;項京

本發明實施例提供了一種異常事件檢測方法、裝置及電子設備，該方法中，獲取待處理視頻數據，將待處理視頻數據輸入預先訓練完成的非監督神經網絡，得到待處理視頻數據對應的輸出視頻數據，計算待處理視頻數據與輸出視頻數據的相似度，當相似度小于預設相似度閾值時，確定待處理視頻數據為包括異常事件的視頻數據。本發明中的非監督神經網絡是基于包括非異常事件的圖像樣本訓練得到的，由于包括非異常事件的圖像樣本的數量較大，因此，非監督神經網絡的精度較高，進一步使得異常事件檢測的準確率較高。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種異常事件檢測方法、裝置及電子設備。

背景技術

目前，監控設備廣泛應用于各個領域，可以對各種場景進行監控，例如：對交通場景、機場安檢場景、步行道路場景等進行監控。

在監控過程中，會發生一些小概率的不經常發生的異常事件，例如：回頭、摔倒、撞車等事件。目前，對異常事件進行檢測的方法為：對包含異常事件的視頻數據進行學習，訓練出先驗模型。然后，使用訓練好的先驗模型對新的視頻數據進行分類，確定新的視頻數據中是否包含異常事件。

上述對異常事件進行檢測的方法需要依賴大量的包含異常事件的視頻數據來訓練先驗模型，視頻數據的數量越多，先驗模型的精度越高。由于異常事件是一些小概率的不經常發生的事件，因此，包含異常事件的視頻數據的數量較少，導致先驗模型的精度較低，進一步使得異常事件檢測的準確率較低。

發明內容

本發明實施例的目的在于提供一種異常事件檢測方法、裝置及電子設備，以提高異常事件檢測的準確率。具體技術方案如下：

一種異常事件檢測方法，所述方法包括：

獲取待處理視頻數據；

將所述待處理視頻數據輸入預先訓練完成的非監督神經網絡，得到所述待處理視頻數據對應的輸出視頻數據，其中，所述非監督神經網絡為：基于圖像樣本對預設結構的初始神經網絡進行訓練，得到圖像樣本對應的輸出數據，當所述圖像樣本與所述輸出數據的相似度大于預設閾值時所得到的神經網絡，所述圖像樣本為包括非異常事件的圖像樣本數據；

計算所述待處理視頻數據與所述輸出視頻數據的相似度；

當所述相似度小于預設相似度閾值時，確定所述待處理視頻數據為包括異常事件的視頻數據。

可選的，所述獲取待處理視頻數據的步驟，包括：

根據預設采樣方式，獲取待處理視頻序列；

根據預設步長滑動預設長度的滑動窗口，從所述待處理視頻序列中選擇所述滑動窗口內所述預設長度個待處理視頻幀；

將所獲取的所述預設長度個待處理視頻幀確定為待處理視頻數據。

可選的，所述非監督神經網絡包括卷積層和反卷積層；

當所述待處理視頻數據包括一個待處理視頻幀時，所述將所述待處理視頻數據輸入預先訓練完成的非監督神經網絡，得到所述待處理視頻數據對應的輸出視頻數據的步驟，包括：

通過所述卷積層對所述待處理視頻幀進行卷積運算，得到所述待處理視頻幀的第一視頻特征，采用所述卷積層的壓縮計算參數對所述第一視頻特征進行壓縮處理，得到第一壓縮數據；

通過所述反卷積層的解壓縮計算參數對所述第一壓縮數據進行解壓縮處理，得到第一解壓縮數據，對所述第一解壓縮數據進行反卷積運算，得到所述待處理視頻幀對應的輸出視頻幀。

可選的，所述非監督神經網絡包括卷積層、時空建模層和反卷積層；

當所述待處理視頻數據包括多個待處理視頻幀時，所述將所述待處理視頻數據輸入預先訓練完成的非監督神經網絡，得到所述待處理視頻數據對應的輸出視頻數據的步驟，包括：