一种异常事件检测方法、装置及电子设备制造方法及图纸

技术编号:21659230 阅读:44 留言:0更新日期:2019-07-20 05:46
本发明专利技术实施例提供了一种异常事件检测方法、装置及电子设备,该方法中,获取待处理视频数据,将待处理视频数据输入预先训练完成的非监督神经网络,得到待处理视频数据对应的输出视频数据,计算待处理视频数据与输出视频数据的相似度,当相似度小于预设相似度阈值时,确定待处理视频数据为包括异常事件的视频数据。本发明专利技术中的非监督神经网络是基于包括非异常事件的图像样本训练得到的,由于包括非异常事件的图像样本的数量较大,因此,非监督神经网络的精度较高,进一步使得异常事件检测的准确率较高。

An Abnormal Event Detection Method, Device and Electronic Equipment

【技术实现步骤摘要】
一种异常事件检测方法、装置及电子设备
本专利技术涉及图像处理
,特别是涉及一种异常事件检测方法、装置及电子设备。
技术介绍
目前,监控设备广泛应用于各个领域,可以对各种场景进行监控,例如:对交通场景、机场安检场景、步行道路场景等进行监控。在监控过程中,会发生一些小概率的不经常发生的异常事件,例如:回头、摔倒、撞车等事件。目前,对异常事件进行检测的方法为:对包含异常事件的视频数据进行学习,训练出先验模型。然后,使用训练好的先验模型对新的视频数据进行分类,确定新的视频数据中是否包含异常事件。上述对异常事件进行检测的方法需要依赖大量的包含异常事件的视频数据来训练先验模型,视频数据的数量越多,先验模型的精度越高。由于异常事件是一些小概率的不经常发生的事件,因此,包含异常事件的视频数据的数量较少,导致先验模型的精度较低,进一步使得异常事件检测的准确率较低。
技术实现思路
本专利技术实施例的目的在于提供一种异常事件检测方法、装置及电子设备,以提高异常事件检测的准确率。具体技术方案如下:一种异常事件检测方法,所述方法包括:获取待处理视频数据;将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据,其中,所述非监督神经网络为:基于图像样本对预设结构的初始神经网络进行训练,得到图像样本对应的输出数据,当所述图像样本与所述输出数据的相似度大于预设阈值时所得到的神经网络,所述图像样本为包括非异常事件的图像样本数据;计算所述待处理视频数据与所述输出视频数据的相似度;当所述相似度小于预设相似度阈值时,确定所述待处理视频数据为包括异常事件的视频数据。可选的,所述获取待处理视频数据的步骤,包括:根据预设采样方式,获取待处理视频序列;根据预设步长滑动预设长度的滑动窗口,从所述待处理视频序列中选择所述滑动窗口内所述预设长度个待处理视频帧;将所获取的所述预设长度个待处理视频帧确定为待处理视频数据。可选的,所述非监督神经网络包括卷积层和反卷积层;当所述待处理视频数据包括一个待处理视频帧时,所述将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据的步骤,包括:通过所述卷积层对所述待处理视频帧进行卷积运算,得到所述待处理视频帧的第一视频特征,采用所述卷积层的压缩计算参数对所述第一视频特征进行压缩处理,得到第一压缩数据;通过所述反卷积层的解压缩计算参数对所述第一压缩数据进行解压缩处理,得到第一解压缩数据,对所述第一解压缩数据进行反卷积运算,得到所述待处理视频帧对应的输出视频帧。可选的,所述非监督神经网络包括卷积层、时空建模层和反卷积层;当所述待处理视频数据包括多个待处理视频帧时,所述将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据的步骤,包括:通过所述卷积层对所述待处理视频数据中的各个待处理视频帧进行卷积运算,得到每个待处理视频帧的第二视频特征,采用所述卷积层的压缩计算参数对各个第二视频特征进行压缩处理,得到第二压缩数据;基于每个待处理视频帧,通过所述时空建模层确定各个第二视频特征之间的时间先后顺序和空间关联关系;通过所述反卷积层的解压缩计算参数对所述第二压缩数据进行解压缩处理,得到第二解压缩数据,基于所述时间先后顺序和所述空间关联关系对所述第二解压缩数据进行反卷积运算,得到各个待处理视频帧对应的输出视频帧。可选的,所述基于每个待处理视频帧,通过所述时空建模层确定各个第二视频特征之间的时间先后顺序和空间关联关系的步骤,包括:通过所述时空建模层将各个待处理视频帧的时间确定为各个第二视频特征的时间信息,根据各个第二视频特征的时间信息确定各个第二视频特征之间的时间先后顺序;针对任意两个待处理视频帧中的目标对象,将所述目标对象在该两个待处理视频帧中的位置变化作为该两个待处理视频帧的第二视频特征之间的空间关联关系。可选的,当所述待处理视频数据包括多个待处理视频帧时,所述计算所述待处理视频数据与所述输出视频数据的相似度的步骤,包括:根据预设公式计算所述待处理视频数据中的每个待处理视频帧与其对应的输出视频帧的相似度:e(t)=||x(t)-fw(x(t))||2Sr(t)=1-Sa(t)其中,e(t)为第t个待处理视频帧与其对应的输出视频帧的欧式距离,x(t)为第t个待处理视频帧,fw为所述非监督神经网络的网络参数,Sa(t)为第t个待处理视频帧与其对应的输出视频帧的欧式距离的归一化值,[e(t)]min为待处理视频数据中的最小欧式距离,[e(t)]max为待处理视频数据中的最大欧式距离,Sr(t)为第t个待处理视频帧与其对应的输出视频帧的相似度;根据所述待处理视频数据中的每个视频帧与其对应的输出视频帧的相似度,计算所述待处理视频数据与所述输出视频数据的相似度。可选的,在确定所述待处理视频数据为包括异常事件的视频数据的步骤之后,所述方法还包括:当所述待处理视频数据包括多个待处理视频帧时,根据预设选取规则从所述多个待处理视频帧中选取目标视频帧;当所述待处理视频数据包括一个待处理视频帧时,确定所述待处理视频数据为目标视频帧;获取与所述目标视频帧相邻的预设帧数个参考视频帧;将所述目标视频帧与所述参考视频帧作为目标视频数据;将所述目标视频数据输入预先构建的异常事件分类模型,确定所述目标视频数据对应的异常事件类型,其中,所述异常事件分类模型包括视频数据特征与异常事件类型的对应关系。一种异常事件检测装置,所述装置包括:获取模块,用于获取待处理视频数据;输出视频数据确定模块,用于将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据,其中,所述非监督神经网络为:基于图像样本对预设结构的初始神经网络进行训练,得到图像样本对应的输出数据,当所述图像样本与所述输出数据的相似度大于预设阈值时所得到的神经网络,所述图像样本为包括非异常事件的图像样本数据;计算模块,用于计算所述待处理视频数据与所述输出视频数据的相似度;确定模块,用于当所述相似度小于预设相似度阈值时,确定所述待处理视频数据为包括异常事件的视频数据。可选的,所述获取模块,包括:待处理视频序列获取单元,用于根据预设采样方式,获取待处理视频序列;滑动窗口单元,用于根据预设步长滑动预设长度的滑动窗口,从所述待处理视频序列中选择所述滑动窗口内所述预设长度个待处理视频帧;确定单元,用于将所获取的所述预设长度个待处理视频帧确定为待处理视频数据。可选的,所述非监督神经网络包括卷积层和反卷积层;当所述待处理视频数据包括一个待处理视频帧时,所述输出视频数据确定模块,包括:第一压缩单元,用于通过所述卷积层对所述待处理视频帧进行卷积运算,得到所述待处理视频帧的第一视频特征,采用所述卷积层的压缩计算参数对所述第一视频特征进行压缩处理,得到第一压缩数据;第一解压缩单元,用于通过所述反卷积层的解压缩计算参数对所述第一压缩数据进行解压缩处理,得到第一解压缩数据,对所述第一解压缩数据进行反卷积运算,得到所述待处理视频帧对应的输出视频帧。可选的,所述非监督神经网络包括卷积层、时空建模层和反卷积层;当所述待处理视频数据包括多个待处理视频帧时,所述输出视频数据确定模块,包括:第二压缩单本文档来自技高网...

【技术保护点】
1.一种异常事件检测方法,其特征在于,所述方法包括:获取待处理视频数据;将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据,其中,所述非监督神经网络为:基于图像样本对预设结构的初始神经网络进行训练,得到图像样本对应的输出数据,当所述图像样本与所述输出数据的相似度大于预设阈值时所得到的神经网络,所述图像样本为包括非异常事件的图像样本数据;计算所述待处理视频数据与所述输出视频数据的相似度;当所述相似度小于预设相似度阈值时,确定所述待处理视频数据为包括异常事件的视频数据。

【技术特征摘要】
1.一种异常事件检测方法,其特征在于,所述方法包括:获取待处理视频数据;将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据,其中,所述非监督神经网络为:基于图像样本对预设结构的初始神经网络进行训练,得到图像样本对应的输出数据,当所述图像样本与所述输出数据的相似度大于预设阈值时所得到的神经网络,所述图像样本为包括非异常事件的图像样本数据;计算所述待处理视频数据与所述输出视频数据的相似度;当所述相似度小于预设相似度阈值时,确定所述待处理视频数据为包括异常事件的视频数据。2.根据权利要求1所述的方法,其特征在于,所述获取待处理视频数据的步骤,包括:根据预设采样方式,获取待处理视频序列;根据预设步长滑动预设长度的滑动窗口,从所述待处理视频序列中选择所述滑动窗口内所述预设长度个待处理视频帧;将所获取的所述预设长度个待处理视频帧确定为待处理视频数据。3.根据权利要求1所述的方法,其特征在于,所述非监督神经网络包括卷积层和反卷积层;当所述待处理视频数据包括一个待处理视频帧时,所述将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据的步骤,包括:通过所述卷积层对所述待处理视频帧进行卷积运算,得到所述待处理视频帧的第一视频特征,采用所述卷积层的压缩计算参数对所述第一视频特征进行压缩处理,得到第一压缩数据;通过所述反卷积层的解压缩计算参数对所述第一压缩数据进行解压缩处理,得到第一解压缩数据,对所述第一解压缩数据进行反卷积运算,得到所述待处理视频帧对应的输出视频帧。4.根据权利要求1所述的方法,其特征在于,所述非监督神经网络包括卷积层、时空建模层和反卷积层;当所述待处理视频数据包括多个待处理视频帧时,所述将所述待处理视频数据输入预先训练完成的非监督神经网络,得到所述待处理视频数据对应的输出视频数据的步骤,包括:通过所述卷积层对所述待处理视频数据中的各个待处理视频帧进行卷积运算,得到每个待处理视频帧的第二视频特征,采用所述卷积层的压缩计算参数对各个第二视频特征进行压缩处理,得到第二压缩数据;基于每个待处理视频帧,通过所述时空建模层确定各个第二视频特征之间的时间先后顺序和空间关联关系;通过所述反卷积层的解压缩计算参数对所述第二压缩数据进行解压缩处理,得到第二解压缩数据,基于所述时间先后顺序和所述空间关联关系对所述第二解压缩数据进行反卷积运算,得到各个待处理视频帧对应的输出视频帧。5.根据权利要求4所述的方法,其特征在于,所述基于每个待处理视频帧,通过所述时空建模层确定各个第二视频特征之间的时间先后顺序和空间关联关系的步骤,包括:通过所述时空建模层将各个待处理视频帧的时间确定为各个第二视频特征的时间信息,根据各个第二视频特征的时间信息确定各个第二视频特征之间的时间先后顺序;针对任意两个待处理视频帧中的目标对象,将所述目标对象在该两个待处理视频帧中的位置变化作为该两个待处理视频帧的第二视频特征之间的空间关联关系。6.根据权利要求1所述的方法,其特征在于,当所述待处理视频数据包括多个待处理视频帧时,所述计算所述待处理视频数据与所述输出视频数据的相似度的步骤,包括:根据预设公式计算所述待处理视频数据中的每个待处理视频帧与其对应的输出视频帧的相似度:e(t)=||x(t)-fw(x(t))||2Sr(t)=1-Sa(t)其中,e(t)为第t个待处理视频帧与其对应的输出视频帧的欧式距离,x(t)为第t个待处理视频帧,fw为所述非监督神经网络的网络参数,Sa(t)为第t个待处理视频帧与其对应的输出视频帧的欧式距离的归一化值,[e(t)]min为待处理视频数据中的最小欧式距离,[e(t)]max为待处理视频数据中的最大欧式距离,Sr(t)为第t个待处理视频帧与其对应的输出视频帧的相似度;根据所述待处理视频数据中的每个视频帧与其对应的输出视频帧的相似度,计算所述待处理视频数据与所述输出视频数据的相似度。7.根据权利要求1所述的方法,其特征在于,在确定所述待处理视频数据为包括异常事件的视频数据的步骤之后,所述方法还包括:当所述待处理视频数据包括多个待处理视频帧时,根据预设选取规则从所述多个待处理视频帧中选取目标视频帧;当所述待处理视频数据包括一个待处理视频帧时,确定所述待处理视频数据为目标视频帧;获取与所述目标视频帧相邻的预设帧数个参考视频帧;将所述目标视频帧与所述参考视频帧作为目标视频数据;将所述目标视频数据输入预先构建的异常事件分类模型,确定所述目标视频数据对应的异常事件类型,其中,所述异常事件分类模型包括视频数据特征与异常事件类型的对应关系。8.一种异常事件检测装置,其特征在于,所述装置包括:获取模块,用于获取待处理视频数据;输出视频数据确定模块,用于将所述待处...

【专利技术属性】
技术研发人员:程战战钮毅罗兵华
申请(专利权)人:杭州海康威视数字技术股份有限公司
类型:发明
国别省市:浙江,33

网友询问留言 已有0条评论
  • 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。

1