一种异常事件检测方法及系统、存储介质及终端技术方案

本发明专利技术提供一种异常事件检测方法及系统、存储介质及终端，包括以下步骤：在训练数据集中随机获取n个连续视频图像；基于所述n个连续视频图像训练未来帧预测神经网络；重新在训练数据集中随机获取n个连续视频图像，迭代训练所述未来帧预测神经网络，直至迭代次数达到预设次数；获取视频流中的n个连续视频图像；基于所述视频流中的n个连续视频图像中的前n‑1个连续视频图像和训练得到的所述未来帧预测神经网络预测所述n‑1个连续视频图像的未来帧；比较所述未来帧和所述视频流中的n个连续视频图像的最后一帧，判断是否有异常事件。本发明专利技术的异常事件检测方法及系统、存储介质及终端极大地提升了异常事件的检测精度。

【技术实现步骤摘要】
一种异常事件检测方法及系统、存储介质及终端
本专利技术涉及图像处理的
，特别是涉及一种基于视频未来帧预测的异常事件检测方法及系统、存储介质及终端。
技术介绍
在实际应用中，异常事件通常具有多可能性和稀缺性的特点。多可能性是指在同一个场景下异常事件存在多种可能，比如对于马路上行驶的汽车可能出现逆行、抛锚、掉下轮胎、轮胎爆裂、掉下异物、与其他汽车或者物体相撞等等诸多异常的情形，而这些可能性在有些场景中甚至很难列举全面。稀缺性是指异常事件很少发生，比如对于上述场景中的自然、爆炸的事件就很少发生。由于异常事件的多可能性和稀缺性，导致很多异常事件很难捕捉。因此，在计算机视觉中和机器学习领域，通常的异常事件检测场景设定为训练样本中只含有大量正常的事件，而没有异常事件。异常事件检测任务通常定义为检测那些与训练样本中的正常事件不一致的事件。由于视频中异常事件的多可能性和稀缺性，以及训练样本中只有正常事件的设定，使得异常事件检测在实际应用中存在巨大挑战。因而，视频中的异常事件检测技术具有非常重要的意义以及巨大的潜在价值。现有技术中，视频中的异常事件检测方法大致可以分类以下两类：(1)基于手工特征本文档来自技高网...

【技术保护点】
1.一种基于视频未来帧预测的异常事件检测方法，其特征在于：包括以下步骤：在训练数据集中随机获取n个连续视频图像；基于所述n个连续视频图像训练未来帧预测神经网络；重新在训练数据集中随机获取n个连续视频图像，迭代训练所述未来帧预测神经网络，直至迭代次数达到预设次数；获取视频流中的n个连续视频图像；基于所述视频流中的n个连续视频图像中的前n‑1个连续视频图像和训练得到的所述未来帧预测神经网络预测所述n‑1个连续视频图像的未来帧；比较所述未来帧和所述视频流中的n个连续视频图像的最后一帧，判断是否有异常事件。

【技术特征摘要】
1.一种基于视频未来帧预测的异常事件检测方法，其特征在于：包括以下步骤：在训练数据集中随机获取n个连续视频图像；基于所述n个连续视频图像训练未来帧预测神经网络；重新在训练数据集中随机获取n个连续视频图像，迭代训练所述未来帧预测神经网络，直至迭代次数达到预设次数；获取视频流中的n个连续视频图像；基于所述视频流中的n个连续视频图像中的前n-1个连续视频图像和训练得到的所述未来帧预测神经网络预测所述n-1个连续视频图像的未来帧；比较所述未来帧和所述视频流中的n个连续视频图像的最后一帧，判断是否有异常事件。2.根据权利要求1所述的基于视频未来帧预测的异常事件检测方法，其特征在于：所述未来帧预测神经网络包括预测生成网络和判别网络；基于n个连续视频图像训练未来帧预测神经网络时：通过LG＝λintLint+λgdLgd+λopLop+λadvLadv优化所述预测生成网络的参数；Lint、Lgd、Lop和Ladv分别为图像像素约束、图像梯度约束、光流束约束和生态农场对抗网络约束；λint、λgd、λop和λadv分别为图像像素约束、图像梯度约束、光流束约束和生态农场对抗网络约束；通过优化所述判别网络的参数，表示所述未来帧，D表示所述判别网络，其中，||||1表示取1的范数，||||2表示取2的范数，i，j分别表示第i行，第j列。3.根据权利要求2所述的基于视频未来帧预测的异常事件检测方法，其特征在于：It+1表示所述视频流中的n个连续视频图像的最后一帧；It表示所述视频流中的n个连续视频图像的倒数第二帧，f表示预训练好的神经网络。4.根据权利要求2所述的基于视频未来帧预测的异常事件检测方法，其特征在于：λint、λgd、λop和λadv分别设置为1.0，1.0，0.05和2.0。5.根据权利要求1所述的基于视频未来帧预测的异常事件检测方法，其特征在于：所述未来帧预测神经网络包括预测生成网络和生成对抗网络；训练所述未来帧预测神经网络时，交替训练所述生成对抗网络和所述预测生成网络。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：高盛华，刘闻，罗伟鑫，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：上海,31