[發(fā)明專利]一種基于多尺度視頻異常檢測方法

有效

• 申請?zhí)枺?/td>: 202110542929.7
• 申請日: 2021-05-19
• 公開（公告）號: CN113033504B
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計）人: 房體品;韓忠義;楊光遠;張凱
• 申請（專利權(quán)）人: 廣東眾聚人工智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于多尺度視頻異常檢測方法，所述方法包括：步驟S1：獲取視頻樣本數(shù)據(jù)，對視頻樣本作多尺度變化；步驟S2：構(gòu)建異常檢測模型，進行模型訓(xùn)練；步驟S3：進行多尺度異常檢測模型的測試。本發(fā)明通過將預(yù)測的幀和真實的幀在不同尺度上分塊，提高了局部異常的監(jiān)測敏感性。

技術(shù)領(lǐng)域

本發(fā)明屬于安防技術(shù)領(lǐng)域，尤其涉及一種基于多尺度視頻異常檢測方法。

背景技術(shù)

視頻異常檢測是指對視頻中發(fā)生的異常行為進行檢測。隨著監(jiān)控視頻的不斷普及，自動識別視頻中的異常事件變得越來越有必要，因為人工檢查可能會造成大量的資源浪費（例如，勞動力）。然而，由于異常事件的罕見性和多樣性，視頻異常檢測是一項具有挑戰(zhàn)性的任務(wù)。更具體地說，異常事件很少發(fā)生，可能是以前從未見過的事件。因此，要收集所有類型的異常事件相當(dāng)困難，這使得傳統(tǒng)的二元分類方法不適合。此外，它很難以明確界定異常情況。鑒于異常點通常是與上下文相關(guān)，一個場景中的異常事件可以被視為作為另一個場景中的正常事件。一般認為異常是指訓(xùn)練樣本達不到預(yù)期，偏離正常分布的行為。例如，在正常的交通場景中，在人行道上騎車可以被認為是一種異常行為。基于這一事實，人們提出了許多半監(jiān)督視頻異常檢測的方法。具體來說，它們一般假設(shè)訓(xùn)練集中只有正常數(shù)據(jù)。試圖學(xué)習(xí)正常分布。在測試中階段，可以發(fā)現(xiàn)偏離常態(tài)的事件為異常。其實，這些半監(jiān)督方法 是比較符合視頻異常檢測的實際情況的。根據(jù)視頻序列的時間特征，它們大致可分為兩類：基于重建模型的方法和基于預(yù)測模型的方法。對于基于重建模型的方法，他們通常會把正常幀輸入到深度神經(jīng)網(wǎng)絡(luò)中，試圖將這些幀以較小的誤差重建。此外，一些研究還將軌跡或骨架特征送進神經(jīng)網(wǎng)絡(luò)進行重建。基于此，在測試中階段，異常現(xiàn)象由于其偏離正常的視覺模式預(yù)計將表現(xiàn)出較大的重建誤差。然而，深度神經(jīng)網(wǎng)絡(luò)由于其巨大的容量和通用性，重構(gòu)模型有時甚至能很好地重建異常事件，導(dǎo)致異常無法檢測出來。對于基于預(yù)測模型的方法，他們通常將連續(xù)的幀輸入到神經(jīng)網(wǎng)絡(luò)中，試圖預(yù)測未來的幀，對正常數(shù)據(jù)的預(yù)測誤差較小。考慮到異常檢測是識別不符合預(yù)期的事件，自然要利用預(yù)測與預(yù)期的差異來檢測異常事件。在生成式對抗網(wǎng)絡(luò)的基礎(chǔ)上，未來幀的預(yù)測實現(xiàn)了更大的現(xiàn)實可能性，促進了視頻中異常檢測的性能。這些方案都是在單一空間中學(xué)習(xí)正常模式并檢測異常。例如，基于深度學(xué)習(xí)的重建和預(yù)測方法通常會在原始圖像空間中逐個像素比較原始幀和生成幀以檢測異常。我們發(fā)現(xiàn)，異常往往發(fā)生在視頻幀的某個區(qū)域，如果只是單純的將生成的幀和真實幀直接求一個峰值信噪比得分，會導(dǎo)致對局部異常不敏感，不能對局部異常進行很好的檢測。如何提高對局部異常的名感性，是待解決的技術(shù)問題。本發(fā)明通過將預(yù)測的幀和真實的幀在不同尺度上分塊，提高了局部異常的監(jiān)測敏感性。具體的：通過樣本的局部改變做樣本的多尺度變化，在提高樣本數(shù)量的同時，增強局部差異樣本，在提高局部監(jiān)測準確性的同時，大大提高了模型訓(xùn)練效率；通過測試次數(shù)，訓(xùn)練次數(shù)，誤差范圍的限定，科學(xué)選用已訓(xùn)練好的權(quán)重文件，通過設(shè)置窗口進行逐行卷積降低了神經(jīng)網(wǎng)絡(luò)的計算量，大大加快訓(xùn)練的速度；通過多尺度測試降低局部預(yù)測誤差，消除顯著的局部預(yù)測錯誤，從而最終提高模型的區(qū)域預(yù)測能力。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問題，本發(fā)明提出了一種基于多尺度視頻異常檢測方法，所述方法包含：

步驟S1：獲取視頻樣本數(shù)據(jù)，對視頻樣本作多尺度變化；具體的：將視頻樣本網(wǎng)格化，確定網(wǎng)格化視頻樣本數(shù)據(jù)之間的網(wǎng)格差異，基于網(wǎng)格差異追蹤視頻樣本數(shù)據(jù)的網(wǎng)格變化情況，根據(jù)網(wǎng)格的變化情況做尺度變化，選擇目標尺度并基于目標尺度對視頻樣本作變化；

步驟S2：構(gòu)建異常檢測模型，進行模型訓(xùn)練；具體的：構(gòu)建異常檢測模型，采用視頻樣本數(shù)據(jù)I₁～I_t，I_t+1進行模型訓(xùn)練；

步驟S3：進行多尺度異常檢測模型的測試；用異常檢測模型預(yù)測得到下一幀預(yù)測值I^＇_t+1,計算下一幀預(yù)測值和下一幀真實值I_t+1之間的誤差值；基于所述誤差值得到測試得分，根據(jù)測試得分確定是否存在異常；

步驟S3具體包括如下步驟：