【技术实现步骤摘要】
三维卷积神经网络训练方法、视频异常事件检测方法及装
本专利技术涉及视频图像
，尤其涉及一种三维卷积神经网络训练方法、一种 基于三维卷积神经网络的视频异常事件检测方法及装置。
技术介绍
随着经济的快速发展，在商场、体育场等公共场所中常常存在着人流高峰，而这些 拥挤的人群对公共安全带来了极大的隐患。如果能够及时检测到监控视频中的异常行为， 便可及时采取相应的解决方案，避免重大意外事件发生。 现有技术中用于对监控视频中的异常事件进行自动检测的方法需基于运动对象 的跟踪，即通过不断检测运动对象运动轨迹，进行异常行为检测。该类方法异常行为检测效 果在很大程度上依赖于运动对象跟踪的结果，因此该类方法仅适用于非拥挤场景中，但对 于如商场、体育场等公共场所的拥挤场景，由于目标的互遮挡与自遮挡相当严重，导致有效 的运动对象跟踪困难，因此在人群拥挤的场景下，基于运动对象跟踪的方法并不适用。 综上，亟需一种视频异常事件检测方法，用以对拥挤人群场景下发生的异常事件 进行检测。
技术实现思路
本专利技术实施例提供一种三维卷积神经网络的...
【技术保护点】
一种三维卷积神经网络的训练方法，其特征在于，包括：三维卷积神经网络中按照正向传递过程依次包含第一组至第N组卷积‑采样层，每组卷积‑采样层中按照正向传递过程包含一个卷积层和一个采样层，第N‑1组卷积‑采样层中的采样层与第N组卷积‑采样层中的卷积层全连接，N>1；所述三维卷积神经网络的训练方法包括：执行正向传递过程，根据所述正向传递过程的输出结果，在所述三维卷积神经网络中执行反向传递过程，以修正所述三维卷积神经网络的模型参数；所述正向传递过程包括：三维卷积神经网络接收待检测视频序列的特征块，针对所述特征块执行异常检测过程，根据待检测视频序列的每个特征块的异常事件检测结果确...
【技术特征摘要】
1. 一种三维卷积神经网络的训练方法，其特征在于，包括： 三维卷积神经网络中按照正向传递过程依次包含第一组至第N组卷积-采样层，每组 卷积-采样层中按照正向传递过程包含一个卷积层和一个采样层，第N-1组卷积-采样层 中的采样层与第N组卷积-采样层中的卷积层全连接，N>1 ; 所述三维卷积神经网络的训练方法包括： 执行正向传递过程，根据所述正向传递过程的输出结果，在所述三维卷积神经网络中 执行反向传递过程，以修正所述三维卷积神经网络的模型参数； 所述正向传递过程包括：三维卷积神经网络接收待检测视频序列的特征块，针对所述 特征块执行异常检测过程，根据待检测视频序列的每个特征块的异常事件检测结果确定所 述待检测视频序列是否发生异常事件； 其中，第N组卷积-采样层中的卷积层上的每个卷积核对第N-1组卷积-采样层中的 采样层的所有通道的所有特征图的数据进行卷积，并将通过卷积所得到的特征图信息输出 给第N组卷积-采样层中的采样层进行采样处理。2. 如权利要求1所述的三维卷积神经网络的训练方法，其特征在于，所述三维卷积神 经网络接收待检测视频序列的特征块之前，还包括： 对待检测的第i帧至第i+1帧的视频帧序列进行特征提取，并将所述第i帧至第i+1 帧的视频帧序列切割为RXCX1的多个特征块；其中，i、1、R、C均为大于1的整数，R和C 分别表示特征块的长度和宽度。3. 如权利要求1所述的三维卷积神经网络的训练方法，其特征在于，所述异常事件检 测结果中包括异常值概率和正常值概率； 所述根据待检测视频序列的每个特征块的异常事件检测结果确定所述待检测视频序 列是否发生异常事件，包括： 若所述待检测视频序列的特征块中至少有一个特征块满足以下条件，则确定所述待检 测视频序列发生异常事件：异常值概率减去正常值概率得到的差值大于设定阈值。4. 如权利要求2所述的三维卷积神经网络的训练方法，其特征在于，所述异常事件检 测结果中包括异常值概率和正常值概率； 所述根据待检测视频序列的每个特征块的异常事件检测结果确定所述待检测视频序 列是否发生异常事件，包括： 将所有包含第k帧的视频帧序列中的所有特征块的异常检测结果中的异常值概率进 行加权相加，将包含第k帧的所有视频帧序列中的所有特征块的异常检测结果中的正常值 概率进行加权相加； 其中，所述所有包含第k帧的视频帧序列是通过具有1帧时间长度的滑动窗口每次移 动单帧得到的； 针对所有包含第k帧的视频帧序列中的所有特征块，若加权相加之后的异常值概率减 去加权相加之后的正常值概率得到的差值大于设定阈值，则确定第k帧发生异常事件； 其中，k为正整数。5. 如权利要求4所述的三维卷积神经网络的训练方法，其特征在于，所述将所有包含 第k帧的视频帧序列中的所有特征块的异常检测结果中的异常值概率进行加权相加，将包 含第k帧的所有视频帧序列中的所有特征块的异常检测结果中的正常值概率进行加权相 加之前，还包括： 针对所有包含第k帧的视频帧序列中的所有特征块，将第一特征块的的异常检测结 果中的异常值概率和正常值概率的权值设置为最大值；其中，所述第一特征块满足以下条 件：其中， L-J 表示向下取整，表示向上取整。6. -种基于三维卷积神经网络的视频异常事件检测方法，其特征在于，所述三维卷积 神经网络中按照正向传递过程依次包含第一组至第N组卷积-采样层，每组卷积-采样层 中按照正向传递过程包含一个卷积层和一个采样层，第N-1组卷积-采样层中的采样层与 第N组卷积-采样层中的卷积层全连接，N>1 ; 所述基于三维卷积神经网络的视频异常事件检测方法包括： 三维卷积神经网络接收待检测视频序列的特征块，针对所述特征块执行异常检测过 程，根据待检测视频序列的每个特征块的异常事件检测结果确定所述待检测视频序列是否 发生异常事件； 其中，第N组卷积-采样层中的卷积层上的每个卷积核对第N-1组卷积-采样层中的 采样层的所有通道的所有特征图的数据进行卷积，并将通过卷积所得到的特征图信息输出 给第N组卷积-采样层中的采样层进行采样处理。7. 如权利要求6所述的基于三维卷积神经网络的视频异常事件检测方法，其特征在 于，所述三维卷积神经网络接收待检测视频序列的特征块之前，还包括： 对待检测的第i帧至第i+1帧的视频帧序列进行特征提取，并将所述第i帧至第i+1 帧的视频帧序列切割为RXCX 1的多个特征块；其中，i、1、R、C均为大于1的整数，R和C 分别表示特征块的长度和宽度。8. 如权利要求6所述的基于三维卷积神经网络的视频异常事件检测方法，其特征在 于，所述异常...
【专利技术属性】
技术研发人员：田永鸿，史业民，王耀威，黄铁军，
申请(专利权)人：中安消技术有限公司，北京大学，
类型：发明
国别省市：北京;11
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。