[發明專利]用于監控系統的異常事件檢測方法

在審

• 申請號: 201810902505.5
• 申請日: 2018-08-09
• 公開（公告）號: CN109034092A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 聞佳;鄧佳
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

本發明提供一種用于監控系統的異常事件檢測方法，其包括以下步驟：S1、圖像處理：在異常事件模型訓練之前，進行圖像預處理以及圖像增強處理，以便將各種待檢測的異常事件特征進行凸顯，并將處理好的數據分為訓練集和測試集；S2、模型訓練：用處理好的訓練集進行異常事件模型訓練,首先進行異常事件模型初始化，然后設計網絡結構，初始化網絡參數，根據異常事件模型的訓練要求，增加批歸一化和Dropout訓練技巧模塊，最終獲得訓練好的異常事件檢測模型；S3、異常事件檢測：用測試集對所述訓練好的模型進行異常事件檢測，最后將檢測的結果可視化在測試集上。本發明對多場景的異常事件檢測有很強的泛化能力，并且對多種異常事件的檢測都具有較高的準確率。

技術領域

本發明涉及四種異常事件的檢測方法，具體為一種用于監控系統的異常事件檢測方法。

背景技術

近幾年，監控系統廣泛存在生活中的各行各業，以至目前監控攝像圖在生活中隨處可見。但傳統的監控系統只能起視頻錄制的作用，對事件沒有自動檢測和識別的功能，如果發生惡性事件，需要相關人員臨時查看錄像，這么做不僅延誤事件的處理，而且也很容易誤報漏報?；谏鲜霈F實存在的問題，使得基于視覺的異常事件檢測技術擁有廣泛的應用場景，異常事件檢測算法性能的好壞直接影響監控系統的實時性和準確性，對整個監控系統的應用價值起決定作用。

在不同應用上，異常事件檢測的異常定義各異、高密度人群中遮擋現象嚴重、異常檢測場景也具有多樣性等，這些因素給異常事件檢測的研究帶來巨大的挑戰。

異常事件檢測過程一般由三大部分組成：圖像處理，模型訓練和模型檢測。圖像處理是指在模型訓練前，盡可能的用圖像處理算法將各種待測異常事件的特征凸顯出來。然后用處理之后的圖像進行模型訓練，最后用訓練好的模型檢測測試集中的異常事件。

深度學習檢測(deep learning detection)在異常事件檢測中使用深度神經網絡做為檢測模型。由于深度神經網絡模型過于復雜，訓練過程中不僅計算量巨大，還容易過擬合。在訓練的時候，為了防止這種現象的出現，使用了批歸一化(Batch Normalization),Dropout等訓練技巧。

發明內容

本發明針對現有技術的不足，提出一種用于監控系統的異常事件檢測方法，不僅在精度上能超越一般的異常檢測算法，更突出的是，本文的異常事件檢測能適應多種現實場景，能夠檢測出多種異常事件行為。

具體地本發明提供一種用于監控系統的異常事件檢測方法，其包括以下步驟：

S1、圖像處理：在異常事件模型訓練之前，進行圖像預處理以及圖像增強處理，以便將各種待檢測的異常事件特征進行凸顯，并將處理好的數據通過交叉驗證，按照7:3的比例分為訓練集和測試集；

S2、模型訓練：用所述處理好的訓練集進行異常事件模型訓練,首先進行異常事件模型初始化，然后設計網絡結構，初始化網絡參數，根據異常事件模型的訓練要求，增加批歸一化和Dropout訓練技巧模塊，最終獲得訓練好的異常事件檢測模型；

S3、異常事件檢測：用測試集對所述訓練好的模型進行異常事件檢測，最后將檢測的結果可視化在測試集上。

優選地，在所述步驟S1中的圖像處理具體包括以下子步驟：

S11數據預處理：將視頻集解析成視頻幀圖像，然后進行ROI處理、下采樣處理和光流處理；

S12數據篩選:將數據集中無事件的圖像過濾掉，保留有意義的圖像，具體方法為通過像素之間的比對，首先求得向量的模長，然后計算內積，通過內積進行像素比對，得到無事件的圖像，所述無事件的圖像像素較空，圖像內積較??；

S13數據增強:篩選出優質訓練集之后，將篩選出的圖像進行圖像翻轉變換，圖像反射變換以及圖像椒鹽噪聲處理，擴充訓練集數量。

優選地，S11具體包括以下步驟：