[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

本發明提供一種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，屬于機器視覺處理技術領域，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，將對空間圖進行處理，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。本發明采用空間圖表征人體骨架特征，并分解為全局和局部特征成分，全局成分包含骨架剛性運動信息，局部成分描繪骨架關節點內部非剛性形變，聯合全局特征和局部特征，不需要人工標定的正常數據來建立檢測模型，實現了在完全無監督設置下異常行為檢測，檢測準確，計算效率高。

技術領域

本發明涉及機器視覺處理技術領域，具體涉及一種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。

背景技術

智能視頻監控系統為保障社會公共安全起到了重要作用，該系統能夠及時地自動分析處理監控攝像機采集的視頻數據，從而減輕人力物力資源浪費。其中，作為智能監控的一個重要分支，復雜擁擠場景中的自動視頻異常檢測(Automatic Video AnomalyDetection in Complex and Crowded Scenes)逐漸成為研究熱點之一，其致力于快速并準確地檢測非常規行為如人群暴亂來保證公共安全。

然而，視頻異常檢測在應用上仍然一些缺陷：一方面，不同場景下對異常定義不同，例如，人群逃散在做游戲時被認為是正常事件，但在火車站和機場，可能會被認定為異常事件；另一方面，異常行為發生頻率較低，導致實驗過程中正樣本數量不足，因此無法將異常檢測任務視為二分類問題(正常，異常)，從而無法使用傳統的有監督分類方法完成該任務。

因此許多研究提出在訓練階段從只包含正常樣本的訓練數據中建模正常模式分布，在測試階段將不符合正常模式分布的測試樣本判為異常。該類方法在訓練檢測模型之前需要嚴格指定訓練數據只包含正常事件，即需要一定人為監督，因此被稱為半監督方法。早期方法使用軌跡特征表征正常模式的方法，因其很大程度上取決于目標檢測跟蹤算法表現，容易受到擁擠場景中遮擋與復雜背景等因素影響，所以，在擁擠場景下會失效。為了克服軌跡特征缺點，使用低層次人工設計特征，例如時空梯度特征、梯度直方圖 (HOG)、光流直方圖(HOF)來刻畫描述視頻事件的正常模式。繼而使用從正常視頻中提取出的特征訓練一個異常檢測模型。然而，特征提取是一個復雜且耗時的過程，除此之外，人工設計特征的表征能力具有局限性。

基于深度學習的方法，鑒于其在提取重要與精細特征方面的較強能力，在包括行為識別，目標檢測與圖像分類在內的多種機器視覺任務上表現出優異性能。基于深度網絡的半監督異常檢測方法通常采用正常數據訓練一個深度自編碼器網絡，并通過重構策略建模正常模式分布。在測試階段，異常事件對應的重構誤差將明顯高于正常事件對應的重構誤差，因為在訓練階段搭建的模型未見過異常模式。

盡管半監督方法在異常事件檢測任務上取得了較好結果，但是仍然面臨兩個問題：首先，在事先知道所有正常事件的前提下建立一個完美的正常模型是不實際的；其次，人工標定正常訓練數據是相當耗時的。因此需要研究完全無監督方法實現異常行為檢測，現有無監督異常檢測工作大都采用基于像素特征如光流作為視頻事件描述。由于基于像素的特征包含大量視頻背景冗余信息，且通常背景中存在不相關目標人員，采用基于像素特征將不可避免地引入噪聲，從而增加異常檢測模型的負擔，以從噪聲中區分出有效信號。

發明內容

本發明的目的在于提供一種無監督的基于空間圖卷積網絡的異常行為檢測方法及系統，以解決上述背景技術中存在的至少一項技術問題。

為了實現上述目的，本發明采取了如下技術方案：

一方面，本發明提供一種基于空間圖卷積網絡的異常行為檢測方法，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；