【技术实现步骤摘要】
一种基于结构相似性稀疏自编码网络的异常事件检测方法
本专利技术属于计算机
,特别是视频处理
,涉及一种对视频进行异常事件检测的方法,具体是一种基于结构相似性稀疏自编码网络的异常事件检测方法。
技术介绍
异常事件检测是属于智能视频监控的范畴,是利用智能算法针对监控视频中的异常事件进行检测,并发出报警信号以提高相关部门的响应速度。视频异常事件检测技术的发展在维护公共场所安全、节约人力物力上有着重要的作用。在不同的视频场景中对异常的定义是不一样的,在同一个场景中异常事件的种类也是比较多样化的。通常情况下,异常事件是不同于正常事件的、发生概率比较小的事件。从目前的异常检测方法来看,大致可以分为基于人为选择特征的方法和基于深度神经网络自动选择特征的方法。大多数方法一般涉及两个部分,在训练阶段通过无监督学习训练数据的外观和运动特征,建立与正常数据相关联的一个或多个模型。在测试阶段,根据视频数据与模型是否匹配判定视频是否异常。
技术实现思路
本专利技术的目的是提供一种基于结构相似性稀疏自编码网络的异常事件检测方法,以提高对异常行为的检测率。为解决上述技术问题,本专利技术提供的技术方案提取了结构相似性(SSIM)特征进行稀疏表示,并用马氏距离检测离群数据。本专利技术方法包括训练阶段和测试阶段,其具体细节说明如下:训练阶段:步骤(1).对视频数据集中的训练数据进行预处理:将训练数据中的每一帧尺寸规范为M×N,M和N分别代表每帧图像的高和宽,将尺寸规范后的图像按照网格的方式分割成不重叠的空间区域,形成n个尺寸大小都是p×p的网格区域。步骤(2).提取训练数据的SSIM ...
【技术保护点】
1.一种基于结构相似性稀疏自编码网络的异常事件检测方法,包括训练阶段和测试阶段,其特征在于:所述的训练阶段具体步骤是:步骤(1).对视频数据集中的训练数据进行预处理;步骤(2).提取训练数据的SSIM特征,所述的SSIM为结构相似性:ar表示训练数据中第t帧上的某块网格区域,aro、ar1、ar2、ar3、ar4、ar5、ar6、ar7分别表示目标区域ar左上、上、右上、左、右、左下、下、右下的8个邻域;计算得到目标区域ar的SSIM特征序列{Sr0,Sr1,L,Sr17};用相同的方式计算每一帧图像的每个网格区域的特征序列;将一帧图像中每个网格区域的特征序列连接起来组成一个向量,作为这一帧图像的SSIM特征,表示为Xr;步骤(3).训练稀疏自编码网络:将Xr作为稀疏自编码网络的输入数据训练此网络,在训练稀疏自编码网络的过程中,根据最小化目标函数的原则对网络中的参数进行迭代更新,稀疏自编码网络的目标函数计算公式如下:
【技术特征摘要】
1.一种基于结构相似性稀疏自编码网络的异常事件检测方法,包括训练阶段和测试阶段,其特征在于:所述的训练阶段具体步骤是:步骤(1).对视频数据集中的训练数据进行预处理;步骤(2).提取训练数据的SSIM特征,所述的SSIM为结构相似性:ar表示训练数据中第t帧上的某块网格区域,aro、ar1、ar2、ar3、ar4、ar5、ar6、ar7分别表示目标区域ar左上、上、右上、左、右、左下、下、右下的8个邻域;计算得到目标区域ar的SSIM特征序列{Sr0,Sr1,L,Sr17};用相同的方式计算每一帧图像的每个网格区域的特征序列;将一帧图像中每个网格区域的特征序列连接起来组成一个向量,作为这一帧图像的SSIM特征,表示为Xr;步骤(3).训练稀疏自编码网络:将Xr作为稀疏自编码网络的输入数据训练此网络,在训练稀疏自编码网络的过程中,根据最小化目标函数的原则对网络中的参数进行迭代更新,稀疏自编码网络的目标函数计算公式如下:其中m为输入的训练样本个数,Xri为第i个输入数据,Yri为网络第i个输出数据,λ为权重因子的系数,D是输入层节点数,与Xr的长度相同,H是隐藏层节点数,Wkj表示隐藏层到输出层之间的权重参数,β为惩罚因子的权重,ρ′k表示隐藏神经元k的平均激活度,ρ为稀疏参数,KL(ρ||ρ′k)表示KL散度;当上一次迭代的目标函数与这一次目标函数的均方误差小于1时,迭代结束,得到训练完成的稀疏自编码模型A;步骤(4).将所有训练数据的SSIM特征序列输入到模型A中,得到隐藏层的输出数据Hr;计算Hr的均值μ和协方差Σ;所述的测试阶段具体步骤是:步骤(5).对视频数据集中的测试数据进行预处理;步骤(6).提取测试数据的SSIM特征:ae表示测试数据中第t帧上的某块网格区域,ae0、ae1、ae2、ae3、ae4、ae5、ae6、ae7分别表示目标区域ae左上、上、右上、左、右、左下、下、右下的8个邻域;计算得到目标区域ae的SSIM特征序列{Se0,Se1,L,Se17},用相同的方式计算每一帧测试图像的每个网格区域的特征序列;将一帧图像中每个网格区域的特征序列连接起来组成一个向量,作为这一帧图像的SSIM特征,表示为Xe;步骤(7).将测试数据的SSIM特征Xe输入到模型A中,得到隐藏层的输出数据He;根据训练阶段得到的均值μ和协方差Σ,计算He与训练数据的马氏距离α;α<th,判定为正常事件;α≥th,判定为异常事件,th为设定阈值时。2.如权利要...
【专利技术属性】
技术研发人员:陈华华,刘萍,郭春生,叶学义,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
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。