[發明專利]基于空間圖卷積網絡的異常行為檢測方法、系統、存儲介質和設備

有效

• 申請號: 202110592124.3
• 申請日: 2021-05-28
• 公開（公告）號: CN113269103B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 常發亮;李南君;劉春生
• 申請（專利權）人: 山東大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 朱忠范

1.一種基于空間圖卷積網絡的異常行為檢測方法，其特征在于，包括：

提取待檢測的視頻幀中所有個體的骨架特征空間圖；

利用訓練好的異常得分模型，將提取的骨架特征空間圖進行處理，獲取該視頻幀中每個骨架的異常得分；

對該視頻幀中所有骨架的異常得分進行最大池化操作，獲取該視頻幀的異常得分；

按照視頻幀的異常得分高低，對該幀視頻進行異常行為級別識別分類；

訓練異常得分模型包括：

提取每幀視頻中所有個體骨架特征，并采用空間圖表示骨架特征；

將空間圖中的骨架個體進行異常骨架和正常骨架分類，并對每類集合中的樣本設置異常分值標簽，作為訓練集；

利用訓練集，以期望輸出的兩個中成員的異常得分與設置的相應標簽值偏差最小為目標，對搭建基于圖卷積網絡的異常得分模型進行迭代訓練，獲得訓練好的異常得分模型；

所述將空間圖中的骨架個體進行異常骨架和正常骨架分類，并對每類集合中的樣本設置異常分值標簽，作為訓練集，包括：

將骨架空間圖中的關節點集合對應的特征向量集合分解成全局特征分量和局部特征分量；

基于全局特征分量和局部特征分量，利用孤立森林算法，分別計算得到全局特征分量的異常得分和局部特征分量的異常得分；

將全局特征分量的異常得分和局部特征分量的異常得分規范化到一個范圍內，將該范圍內的融合值作為相應骨架的初始異常得分；

基于初始異常得分，將得分高于一閾值的骨架分到初始異常骨架集合，將得分低于該閾值的分到初始正常骨架集合，并對兩個集合中每個樣本設置異常分值標簽；

聯合骨架空間圖邊界框的寬和高以及邊界框的中心點絕對坐標組成全局特征，因為邊界框的尺寸包含視頻場景中骨架深度信息，表示為全局成分特征的元素基于坐標向量集合F_t使用公式(2)進行計算，局部成分特征在公式(3)中通過從原始坐標向量中減去全局成分進行計算，因此，局部成分表示考慮邊界框的骨架圖節點相對位置；

2.根據權利要求1所述的基于空間圖卷積網絡的異常行為檢測方法，其特征在于，采用自訓練機制進行異常得分模型的訓練過程的每一次迭代，包括：使用上一輪迭代得到的模型計算所有骨架相應的新的異常得分，根據新計算的異常得分更新初始正常骨架集合和初始異常骨架集合中的成員，基于更新的初始正常骨架集合和初始異常骨架集合進行新的一次訓練迭代，直到找到最佳的模型。

3.根據權利要求1所述的基于空間圖卷積網絡的異常行為檢測方法，其特征在于，基于初始異常得分，將得分高于一閾值的骨架分到初始異常骨架集合，將得分低于該閾值的分到初始正常骨架集合，將集合A中每個樣本設置異常分值標簽l₁，將集合N中每個樣本設置異常分值標簽l₂，其中，l₁＞＞l₂；

所述集合N和集合A為基于每個骨架圖的全局和局部特征成分產生的初始正常骨架集合N和初始異常骨架集合A。

4.根據權利要求3所述的基于空間圖卷積網絡的異常行為檢測方法，其特征在于，訓練中的目標函數為：

其中，G表示個體骨架圖，當G∈A，y_G＝l₁；當G∈N，y_G＝l₂，λ表示避免過擬合的正則化參數；

異常得分模塊以集合A和N作為輸入，學習去更新異常得分，實現為與集合中數據具有相同行為的可疑數據計算得到較大(小)得分,得分模塊定義為一個函數ρ(·；Θ)，由一個特征表示學習器φ(·；Θ_r)和一個異常得分學習器組成，其中，Θ＝{Θ_r,Θ_s}包含所有需要去學習的參數。

5.根據權利要求1所述的基于空間圖卷積網絡的異常行為檢測方法，其特征在于，對視頻幀x_t中存在的所有骨架實例的異常分數進行最大池化操作，以獲取對應幀的異常得分

其中，S(t)表示視頻幀中出現的骨架集合，表示骨架圖，G_t表示對應幀中所有個體骨架的異常得分。