[發明專利]基于特征期望子圖校正分類的異常視頻清洗方法

有效

• 申請號: 201911236747.6
• 申請日: 2019-12-05
• 公開（公告）號: CN111008596B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 葉鷗;鄧軍;董立紅;于振華
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安眾星藍圖知識產權代理有限公司 61234
• 代理人: 張恒陽

1.基于特征期望子圖校正分類的異常視頻清洗方法，其特征在于，具體步驟如下：

S1、CNN-LSTM特征提取；

S2、特征期望子圖構造，具體步驟如下：

S21、通過VGG-LSTM深度神經網絡獲得了一組特征向量

其中第i個特征向量可表示為

S22、利用下面的公式將特征向量轉換為二維的特征矩陣：

這里t表示矩陣Α⁽ⁱ⁾中的第t行，l表示第l列，并且第i個矩陣Α⁽ⁱ⁾與第i個特征向量一一對應；

S23、若Α⁽ⁱ⁾中的元素值不為0，通過一個映射獲取二維空間中的特征值點；

S24、通過如下公式度量兩個特征值點之間的距離：

其中，r表示鄰域的范圍，α1和α2分別表示權重因子；

分別為V_i特征向量中的第1個、第2個至1024個特征值；dim(V_i)表示V_i特征向量的維度；

S25、利用邊關聯若干個特征值點，并且產生若干個邊去表征所有特征向量中特征值點之間的相互關系，通過特征值點和邊的集合，構建一個由特征值點和邊構成的圖其中，ν表示特征值,ε(v)表示與特征值點相對應的邊的集合；

S26、在圖中計算邊集合的期望值，如下述公式所示：

當時，獲得特征期望子圖

S3、基于特征期望子圖的校正分類與清洗,具體步驟如下：

S31、對于一個測試的期望子圖而言，分類函數描述如下：

其中，b是偏置，并且f(·)=f(-1,+1)是預測函數；α_i表示拉格朗日乘數因子，y'_i∈{-1,+1}，表示分類標簽；表示獲得的特征期望子圖，表示第i個已表識的特征期望子圖，是圖核函數；

S32、結合線性SVC分類器檢測監控視頻的異常事件，計算公式如下：

其中，V是從VGG-LSTM神經網絡抽取出的特征向量，通過邏輯“與”運算，利用的結果校正的f(V,V_i)結果；

S33、確定在復雜的視頻監控場景中是否存在異常事件，進行異常視頻的判斷：

其中，N表示視頻幀的個數，當在視頻中出現異常事件的頻率超過閾值μ_C，則可以認為該視頻是異常視頻，并將該視頻進行清洗。

2.如權利要求1所述的基于特征期望子圖校正分類的異常視頻清洗方法，其特征在于，所述CNN-LSTM特征提取具體步驟如下：

S11、選取多個視頻片段作為訓練樣本，輸入VGG-16網絡進行空間特征提取；

S12、將得到的特征輸入到LSTM中，進一步提取輸入視頻片段的時序特征。