[發明專利]基于生成對抗網絡的人群異常檢測方法

在審

• 申請號: 202010588978.X
• 申請日: 2020-06-24
• 公開（公告）號: CN111881750A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 古雪;同磊;肖創柏;段娟
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于生成對抗網絡的人群異常檢測方法，其特征在于：該方法的實現步驟如下，

步驟一、特征提取；

(1a)獲取視頻序列原始幀f_ori；

(1b)對原始幀進行背景去除得到f_br；

(1c)聯合特征f_ori和f_br得f；

步驟二、建立生成對抗網絡模型；

(2a)生成器G；

(2b)判別器D；

步驟三、模型學習；

定義目標函數，訓練生成器和判別器模型；

(3a)約束條件1，強度損失函數；

(3b)約束條件2，梯度損失函數；

(3c)約束條件3，光流損失函數；

(3d)約束條件4，生成對抗損失函數；

(3e)結合上述約束條件得到目標函數，訓練生成器和判別器；

步驟四、異常檢測；

(4a)利用步驟三訓練得到的人群正常模式的參數得到測試集的預測幀f′；

(4b)引入峰值信噪比對預測幀f′和它的真實標簽f進行質量評估，得到分數S(t)，設置閾值T，判斷測試特征是否為異常特征。

2.根據權利要求1所述的基于生成對抗網絡的人群異常檢測方法，其特征在于：f_br圖像是通過計算兩個連續幀之間的幀絕對差而獲得的外觀信息的表示，定義如下

f_br＝|f_ori|t-f_ori|t-1| (1)

聯合特征f_ori和f_br得到幀圖像更多的外觀信息特征f，并將圖像分辨率重設為256×256。

3.根據權利要求1所述的基于生成對抗網絡的人群異常檢測方法，其特征在于：

改進U-Net的網絡結構，即生成器網絡；該網絡結構引入多尺度光流和自注意力機制，共有6層；其中，全部卷積層和反卷積層的卷積核大小為3×3，步長為1，邊填充為“SAME”；全部的最大池化層的步長為2；卷積層的激活函數均為leakyReLU。

4.根據權利要求1所述的基于生成對抗網絡的人群異常檢測方法，其特征在于：

結合各個約束條件，定義目標函數；將步驟一中預處理的數據作為輸入，訓練模型；下式中，f′表示預測未來幀的灰度值，f表示真實未來幀的灰度值，i,j表示幀的橫縱坐標，t,t+1表示當前和未來；

約束1，強度損失；通過像素級的L₂損失計算，定義為

約束2，梯度損失；定義為

約束3，光流損失；定義為

L_of＝||o(f′_t+1,f_t)-o(f_t+1,f_t)||₁ (4)

約束4，對抗損失；

判別器對抗損失定義為

其中，L_MSE表示均方誤差Mean Square Error(MSE)函數，定義為

其中，X＝{0,1}，

生成器對抗損失定義為

最終，結合全部約束條件，得到目標函數，訓練生成器和判別器。

5.根據權利要求4所述的基于生成對抗網絡的人群異常檢測方法，其特征在于：

生成器的目標是生成使判別器的判別結果盡可能接近1的幀；當訓練生成器時，固定判別器的參數；目標函數為

判別器目標是將真實的未來幀f_t+1分類為1，而將G(f₁,f₂,...,f_t)＝f′_t+1分類為0，1和0分別表示真實和錯誤標簽；當訓練判別器時，固定生成器的參數；目標函數為