专利汇可以提供一种基于异常追踪的视频异常行为检测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于异常追踪的视频异常行为检测方法,包括以下步骤:S1、视频 异常检测 与追踪模型的设计;S2、对视频提取前景 块 ,再输入到卷积自 编码器 中编码再解码输出重构视频块,并训练卷积自编码器能学习到 时空 特征;S3、将时空特征用局部敏感哈希函数映射到不同的桶中,训练一对多 支持向量机 分类器;S4、利用分类器对测试视频块分类,将多个分类器的最高得分取负作为异常得分,设置 阈值 初步检测视频中的异常块;S5、用核相关滤波 跟踪 方法跟踪初步检测得到的异常块,对异常目标的区域进行矫正。本发明通过跟踪初步检测得到的异常块,纠正异常目标的 位置 ,并对根据异常目标路径块得到的异常目标得分曲线平滑,去除噪声的影响,提高检测的 精度 。,下面是一种基于异常追踪的视频异常行为检测方法专利的具体信息内容。
1.一种基于异常追踪的视频异常行为检测方法,其特征在于:所述方法包括以下步骤:
S1、视频异常检测与追踪模型的设计:包括时空特征提取器的设计、分类器的设计以及结合异常追踪器的异常检测方法的设计;其中,时空特征提取器由提取前景块和卷积自编码器编码两部分组成,分类器由局部敏感哈希函数快速聚类时空特征和针对每一聚类训练一对多支持向量机分类器两部分组成,异常追踪器即用核相关滤波跟踪方法跟踪分类器初步检测得到的异常块,并用分类器再次检测跟踪得到的异常目标路径块,计算异常得分,从而达到结合异常追踪检测异常行为的目的;
S2、时空特征提取器的训练:对视频提取前景块,再输入到卷积自编码器中编码再解码输出重构视频块,以最小化与对应区域的下一帧图像的重构误差作为训练方向,训练卷积自编码器能学习到时空特征;
S3、分类器的训练:将步骤S2编码得到的时空特征用局部敏感哈希函数映射到不同的桶中,将一个桶中的样本作为一类,训练一对多支持向量机分类器;
S4、用步骤S3中训练好的分类器对测试视频块分类,将多个分类器的最高得分取负作为异常得分,设置阈值初步检测视频中的异常块;
S5、搭建异常追踪器:用核相关滤波跟踪方法追踪步骤S4中得到的异常块,对异常目标的区域进行矫正,并重新计算异常目标路径块的异常得分检测视频中的异常。
2.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S2中,前景块的提取是将视频帧先分为大小为20×20的不重叠的块,对连续五帧相同区域的块组合成一个大小为20×20×5的立方体,计算每个立方体帧之间对应位置像素点的方差之和,设置阈值判断是否是前景块。
3.根据权利要求2所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S2中,对视频提取大小为20×20的前景块,输入到三层卷积核大小分别为3×3、2×2、3×
3,步长分别为1×1、2×2、1×1,通道数分别为16,8,4,无零填充的卷积层和非线性激活层串联形成的网络模块编码,再通过三层卷积核大小分别为3×3、2×2、3×3,步长分别为1×
1、2×2、1×1,通道数分别为8,16,3,无零填充的反卷积层和非线性激活层串联形成的网络模块解码得到重构视频块,以最小化与对应区域的下一帧图像的重构误差作为训练方向,训练卷积自编码器能学习到时空特征。
4.根据权利要求3所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S2中,所述网络模块编码的编码器中的三个卷积层的激活函数均为ReLU,解码器中的三层反卷积层的前两层激活函数为ReLU,最后一层激活函数为tanh,将输出值缩放到[-1,1]范围内。
ReLU激活函数如下公式所示:
其中x为激活函数ReLU的输入值,ReLU(x)为激活函数的输出值;
tanh激活函数如下公式所示:
其中x为激活函数tanh的输入值,tanh(x)为激活函数的输出值;
编码器编码后的时空特征为4×7×7,196维。
5.根据权利要求3所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S2中,将重构视频块与下一帧对应区域的图像块的像素点的重构误差作为损失函数,训练卷积自编码器学习到时空特征,像素点的重构误差的计算公式如下:
其中,At,At+1分别为第t帧和第t+1帧对应区域的图像块,h、w为图像块的高和宽, 为对应像素点。
6.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S3中,利用M个P-stable局部敏感哈希函数与训练集时空特征矩阵相乘,每一个训练样本映射成M个哈希值,哈希值相同则落入同一个桶代表聚为一类,将样本量小于5的聚类删除,减少噪声的干扰,对剩下的多个聚类训练一对多支持向量机。
7.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S4具体为:
根据S3训练得到的分类器,在测试阶段,提取测试视频的前景块,再用编码器编码前景块的时空特征,用多个支持向量机分类,得到多个分类分数,取最大分数的负值作为异常得分s(x),即:
s(x)=-g(x)
g(x)=max(g1(x),g2(x)…gi(x),…)
其中,x为一个测试视频前景块的时空特征向量,gi(x)为第i个支持向量机的分数,支持向量机为LinearSVC,如果s(x)>0则初步判定为异常块,说明该视频块不属于任何一个聚类。
8.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S5中,利用核相关滤波跟踪方法依次跟踪步骤S4中初步检测到的异常块,对追踪到的异常目标路径块提取时空特征,根据分类器得到异常得分,将该异常目标的异常得分绘制成曲线,由于目标在相邻帧的行为一般变化不大,异常得分曲线应是平滑的,对得分曲线每三帧取平均去除噪声;
若步骤S4中的初步检测的异常块与已追踪得到的异常目标路径块重叠,则放弃追踪该异常块,减少对同一异常目标的冗余追踪;若不重叠,则追踪该异常块;
最后,取视频帧中异常目标路径块最大的异常分数作为该帧的异常分数。
9.根据权利要求8所述的一种基于异常追踪的视频异常行为检测方法,其特征在于:步骤S5中,所述异常曲线中横坐标是帧数,纵坐标是异常分数。由于异常往往集中在某个目标上,并且帧与帧之间动作变化较小,所以异常目标的得分应该是光滑的,对曲线进行每三帧求平均,去除噪声的影响,如下公式所示。
s(t)=[s(t-1)+s(t)+s(t+1)]/3
其中s(t)为第t帧的分数,s(t-1)和s(t+1)分别为前一帧和后一帧的异常分数。异常曲线的第一帧和最后一帧的分数保持原分数不变。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
铁路货车转向架侧架断裂故障图像识别方法 | 2020-05-08 | 905 |
基于压力测量的模式切换装置及方法 | 2020-05-12 | 413 |
电梯非正常关闭的检测方法和系统 | 2020-05-08 | 777 |
基于可形变配准和DCNN的宫颈MRI图像分割方法 | 2020-05-08 | 70 |
一种图像处理的方法、图像合成的方法以及相关装置 | 2020-05-08 | 479 |
一种多尺度血管增强的水平集分割系统与方法 | 2020-05-11 | 304 |
一种高炉风口的监控方法及监控装置 | 2020-05-11 | 692 |
检测对象的方法、装置、电子设备和存储介质 | 2020-05-08 | 197 |
一种基于异常追踪的视频异常行为检测方法 | 2020-05-08 | 508 |
一种字符分割方法、装置以及计算机可读存储介质 | 2020-05-11 | 265 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。