[發明專利]一種監控視頻中的真實異常檢測方法

在審

• 申請號: 202110439306.7
• 申請日: 2021-04-23
• 公開（公告）號: CN113312968A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 陳成成;李啟明
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上?；ロ槍＠硎聞账?普通合伙) 31332
• 代理人: 成秋麗

本發明提供一種監控視頻中的真實異常檢測方法，將監控視頻分成多個片段，根據所述多個片段獲取包含第一標簽的正包和包含第二標簽的負包，所述正包包含至少一個正樣本，所述負包包含至少一個負樣本；將包含正包和負包的訓練集導入C3D網絡中，并對每個分割片段進行時空特征提取，經過神經網絡后對每一個分割片段進行打分，分別返回正包中得分最高的異常片段和負包中得分最高的異常片段，負包中得分最高的異常片段作為優化的分界面，優化后即可以在若監督中學習一個健壯的分類器并根據優化函數進行優化等步驟，來檢測監控視頻中的真實世界異常。

技術領域

本發明涉及視頻處理技術改進領域，特別是涉及一種監控視頻中的真實異 常檢測方法。

背景技術

監控攝像頭越來越多地應用于公共場所，如街道、十字路口、銀行、購物 中心等，以提高公共安全。視頻監控的一個關鍵任務是檢測異常事件，一般來 說，與正常活動相比，異常事件很少發生。

因此，為了減輕人工和時間的浪費，開發用于視頻異常自動檢測的智能計 算機視覺算法是當務之急。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種監控視頻中的 真實異常檢測方法，監控視頻中的真實異常檢測方法，通過我們提出了一種深 度學習方法來檢測監控視頻中的真實世界異常，由于這些實際異常的復雜性， 僅使用正常數據可能不是異常檢測的最佳方法，我們試圖利用正常和異常的監 控錄像。為了避免訓練視頻中對異常片段進行耗時的標注，我們學習了一種使 用弱標記數據的深度多示例排序框架進行異常檢測的通用模型，為了驗證所提 出的方法，一個新的大規模異常數據集組成的各種真實世界的異常被引入。

為實現上述目的及其他相關目的，本發明提供一種監控視頻中的真實異常 檢測方法，所述方法包括步驟：

S1：將監控視頻分成多個片段，根據所述多個片段獲取包含第一標簽的正 包和包含第二標簽的負包，所述正包包含至少一個正樣本，所述負包包含至少 一個負樣本；

S2：將包含正包和負包的訓練集導入C3D網絡中，并對每個分割片段進行 時空特征提取，經過神經網絡后對每一個分割片段進行打分，分別返回正包中 得分最高的異常片段和負包中得分最高的異常片段，負包中得分最高的異常片 段作為優化的分界面，優化后即可以在若監督中學習一個健壯的分類器并根據 優化函數進行優化；

S3：根據S2所得到的優化器函數進行損失函數的定義和計算，損失函數定 義為成異常事件與正常事件異常值的排序；

S4：通過排名損失函數反向傳播可計算出相應的閾值，以在沒有超過異常 的閾值的情況下，正示例和負示例在異常得分方面相距很遠；

S5：通過最小化相鄰視頻片段的分數差來加強時間上相鄰視頻片段的異常 分數之間的時間平滑性；

S6：通過多次迭代，獲得目標函數，

其中，ω代表模型權重，β_a，β_n分別是指正包和負包， ι(β_a，β_n)函數是指排序損失函數。

具體的，所述優化函數的具體表達為：

其中，為第j個訓練樣本的包級標簽，β_j是第j個實例，參數i 是從實例級標簽中取值，z為包的總數，j是第j個包，φ(x_i)為視頻片段的 特征表示，b為偏置，k為訓練示例總數，w為待學習的分類器。

具體的，所述排名損失函數的具體表達為：