The invention discloses a method of anomaly detection, active and passive Gauss online learning which is based on the input video frame continuous normal pretreatment makes the target form into motion information, the fused image is obtained after processing; feature extraction of image fusion using the depth neural network, feature vectors are obtained using a series of; the feature vector and combination of active and passive constraint rules online learning method based on training Gauss distribution, as the normal reference model; in the detection phase, using the same way of preprocessing and feature extraction of continuous operation in the video frame, and calculate the distance distribution of each feature vector in the Gauss distribution after training on, according to the distribution the distance to determine the corresponding feature vector is abnormal. The method can reduce the training time and reduce the resource consumption on the premise of guaranteeing the detection precision.
【技术实现步骤摘要】
基于主动被动高斯在线学习的异常检测方法
本专利技术涉及异常检测
,尤其涉及一种基于主动被动高斯在线学习的异常检测方法。
技术介绍
视频异常检测是关乎公共安全的计算机视觉和机器学习相结合的重要研究领域,目前有大量的精确有效的基于场景监控视频的异常检测算法,主要完成具有不同于场景中大部分目标的特殊目标检测,这种不同主要表现在外观速度或者轨迹上。现有的异常检测技术很多的是使用手工特征来进行分类,手工特征有着算法复杂度高,算法精度较差的缺陷。由于近年来深度学习的广泛应用和出色表现,使用深度神经网络进行异常检测,也成为一种比较新的解决思路,但是由于深度信息数量大维度高,训练判别模型时具有资源占用巨大时间开销巨大的缺点。
技术实现思路
本专利技术的目的是提供一种基于主动被动高斯在线学习的异常检测方法,可以在保证检测精度的前提下,降低训练时间并减少资源消耗。本专利技术的目的是通过以下技术方案实现的:一种基于主动被动高斯在线学习的异常检测方法,包括:将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息,获得处理后的融合图像;利用深度神经网络提取融合图像的特征,获得一系列的特征向量;利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布,作为正常参考模型;在异常检测阶段,采用同样的方式对输入的连续视频帧进行预处理与特征提取操作,并求取各个特征向量在训练后的高斯分布上的分布距离,根据分布距离来判断相应特征向量是否异常。由上述本专利技术提供的技术方案可以看出,通过基于主动被动规则约束的在线学习方法训练高斯分布,将训练后的高斯分布用于分类和提取来自视频深度信息 ...
【技术保护点】
一种基于主动被动高斯在线学习的异常检测方法,其特征在于,包括:将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息,获得处理后的融合图像;利用深度神经网络提取融合图像的特征,获得一系列的特征向量;利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布,作为正常参考模型;在异常检测阶段,采用同样的方式对输入的连续视频帧进行预处理与特征提取操作,并求取各个特征向量在训练后的高斯分布上的分布距离,根据分布距离来判断相应特征向量是否异常。
【技术特征摘要】
1.一种基于主动被动高斯在线学习的异常检测方法,其特征在于,包括:将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息,获得处理后的融合图像;利用深度神经网络提取融合图像的特征,获得一系列的特征向量;利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布,作为正常参考模型;在异常检测阶段,采用同样的方式对输入的连续视频帧进行预处理与特征提取操作,并求取各个特征向量在训练后的高斯分布上的分布距离,根据分布距离来判断相应特征向量是否异常。2.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法,其特征在于,所述将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息,获得处理后的融合图像包括:将连续的六帧视频帧按顺序两两平均,然后将平均产生的三张均值图片作为三个通道融合成一张图片。3.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法,其特征在于,所述利用深度神经网络提取融合图像的特征,获得一系列的特征向量包括:对于特定的深度神经网络,其包含若干输出层,对于某一时刻t,输入的融合图像,输出层k输出的特征为每个像素点坐标的mk维的特征向量的集合,表示为:其中,(wk,hk)为特征向量的尺寸,(u,v)为特征向量中像素点坐标,mk为特征向量的数目,每一特征向量分别对应着输出层k中一个卷积核产生的响应。4.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法,其特征在于,所述利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布包括:使用一系列特征向量训练高斯分布G(f,μ,Σ),其中,μ为均值,Σ为协方差,f为特征向量集合,输出层k对应的第l个特征向量为fk(u,v,l),u=1,2,...,wk,v=1,2,...,hk,(wk,hk)为特征向量的尺寸,(u,v)为特征向量中像素点坐标,mk为特征向量的数目;训练高斯分布G时使用基于主动被动规则约束的在线学习方法,主动条件下让目标方程向着一个方向逼近,将更新前和更新后的两个分布的KL分歧作为被动约束,被动约束用于约束参数值同时约束参数的分布类型和变化趋势,具体如下:式中,L表示目标函数,x指特征向量,等价于fk(u,v,l),μ、Σ分别对应当前次,即第t次更新的均值、协方差,μt-1、Σt-1分别对应上一次,即t-1次更新的均值、协方差;N表示高斯分布函数,DKL为两个分布的KL分歧;M为特征向量数量;展开L(μ,Σ)后得到:
【专利技术属性】
技术研发人员:洪哲然,刘斌,俞能海,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。