[發(fā)明專利]基于全卷積神經網絡的群體異常事件檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810382697.1
• 申請日: 2018-04-26
• 公開（公告）號: CN108647592A
• 公開（公告）日: 2018-10-12
• 發(fā)明（設計）人: 李方敏;肖遙;魏洪濤;劉新華;周舟;欒悉道;楊志邦
• 申請（專利權）人: 長沙學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 武漢臻誠專利代理事務所(普通合伙) 42233
• 代理人: 宋業(yè)斌

本發(fā)明公開了一種基于全卷積神經網絡的群體異常事件檢測方法，包括：從視頻數據集中獲取圖像序列，并將該圖像序列輸入卷積神經網絡中，以得到圖像序列的卷積特征，使用特征編碼方法對圖像序列的卷積特征進行降維和編碼處理，以得到圖像序列的二進制卷積特征集合，根據圖像序列的二進制卷積特征集合獲得圖像序列的二進制特征直方圖，根據圖像序列的二進制特征直方圖獲得該圖像序列中每一幅圖像的異常系數，該異常系數用于表示圖像序列中異常事件或行為發(fā)生的可能性。本發(fā)明能解決現有群體異常事件檢測方法存在的預處理過程復雜、特征提取過程的實時性較差的技術問題。

技術領域

本發(fā)明屬于計算機視覺技術領域，更具體地，涉及一種基于全卷積神 經網絡的群體異常事件檢測方法和系統(tǒng)。

背景技術

隨著經濟的發(fā)展，城鎮(zhèn)化的步伐逐漸加快，市內的地鐵站、公園和大型 商場等公共場所越來越多，人們出行游玩的次數也日益增加，公共安全是我 們政府和社會不可忽視的重大問題，公共場所穩(wěn)定的秩序和有力的監(jiān)控是 人們安全出行、幸福生活的保障。因此，對公共場所的群體進行智能的異常 事件檢測對民眾的安全是十分重要的。

目前，常見的群體異常事件檢測方法主要包括基于局部特征的 群體異常事件檢測(例如光流法、稀疏表示法等)、以及基于全局 的群體異常事件檢測(例如社會力模型法、交互勢能法等)。然而， 現有的這些群體異常事件檢測方法均存在一些缺陷：首先，其需要復雜的預處理過程，從而增加了方法處理的時間；其次，其特征提 取過程的實時性較差，使得這些方法無法廣泛應用在各種場合。

發(fā)明內容

針對現有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于全卷 積神經網絡的群體異常事件檢測方法和系統(tǒng)，其目的在于，解決現 有群體異常事件檢測方法存在的預處理過程復雜、特征提取過程 的實時性較差的技術問題。

為實現上述目的，按照本發(fā)明的一個方面，提供了一種基于全卷積神 經網絡的群體異常事件檢測方法，包括以下步驟：

(1)從視頻數據集中獲取圖像序列，并將該圖像序列輸入卷 積神經網絡中，以得到圖像序列的卷積特征；

(2)使用特征編碼方法對步驟(1)得到的圖像序列的卷積特征進行降 維和編碼處理，以得到圖像序列的二進制卷積特征集合；

(3)根據步驟(2)得到的圖像序列的二進制卷積特征集合獲得圖像序 列的二進制特征直方圖；

(4)根據步驟(3)得到的圖像序列的二進制特征直方圖獲得該圖像序 列中每一幅圖像的異常系數，該異常系數用于表示圖像序列中異常事件或 行為發(fā)生的可能性；

(5)確定前半段圖像序列中所有圖像的異常系數中的最大值，并根 據該最大值判斷后半段圖像序列中各幅圖像是否存在異常。

優(yōu)選地，視頻數據集是明尼蘇達大學數據集或者加州大學圣迭戈數據 集，卷積神經網絡是全卷積神經網絡。

優(yōu)選地，全卷積神經網絡網絡包括五層卷積層結構，其中第一卷積層的 卷積核為11*11*96，再經過2×2的最大池化后輸入第二卷積層，第二卷積 層的卷積核為5*5*256，再經過2×2的最大池化后輸入第三卷積層，第三卷 積層的卷積核為3*3*384，第四卷積層的卷積核為3*3*384，第五卷積層的 卷積核為3*3*256。

優(yōu)選地，特征編碼方法是ITQ方法。

優(yōu)選地，步驟(3)具體為，首先采用以下公式計算當前時刻圖像的二 進制卷積特征與當前時刻圖像之前的n幅圖像中每一幅圖像的二進制卷積 特征之間的漢明距離，其中n的取值范圍是5到10之間的整數：

其中b₁、b₂分別表示兩幅圖像的二進制卷積特征，表示按位異或運算，d則是漢明距離。