一种基于动作预测的视频异常行为检测方法技术

本发明专利技术公开了一种基于动作预测的视频异常行为检测方法，具体步骤包括：设计对抗生成网络模型，所设计的对抗生成网络模型包括生成器和判别器；搭建生成器的编码部分；搭建生成器的解码部分；搭建判别器；训练对抗生成网络模型的生成器和判别器；根据得到的最佳生成器网络，对视频中发生的异常事件进行检测。本发明专利技术通过利用一部分正常行为的视频统计其生成误差，根据不同场景以及时间变化动态生成异常检出阈值，能够应用于更多不同的场景，增加鲁棒性。

【技术实现步骤摘要】
一种基于动作预测的视频异常行为检测方法
本专利技术涉及图像与视频处理领域，尤其涉及一种基于动作预测的视频异常行为检测方法。
技术介绍
视频检测是计算机视觉领域的重要应用之一，而其中的视频异常行为检测作为智能视频监控中不可或缺的重要组成部分，目的是为了及时发现监控视频中的异常行为，能够有效地帮助监控人员处理异常行为。异常行为检测方法的关键问题之一是从原始视频中提取相关特征，以便对不同类型的异常进行良好的分类。在传统的特征提取方法中，最常用的是使用空间和时间特征来对行为模式进行建模。空间和时间特征都是基于计算机视觉而提出的，比如方向梯度直方图、光流直方图、社会力模型、密集轨迹和动态纹理。但人工设计的特征需要一定的先验知识，所述先验知识主要依赖于监视目标，并且很难在不同的应用中定义。与传统的人工设计的特征不同，通过深度神经网络能够自动提取得到良好的特征。随着技术发展，深度神经网络在图像分类，图像目标识别等领域取得了巨大的成功，得到了比传统方法更高的准确率。而深度学习在视频异常识别方面也取得了不错的成绩。由于异常行为检测与一般的动作识别和动作检测相比具有异常种类多、异常行为样本少等特点，从而本文档来自技高网...

【技术保护点】
1.一种基于动作预测的视频异常行为检测方法，其特征在于，具体步骤包括：设计对抗生成网络模型，所设计的对抗生成网络模型包括生成器和判别器；搭建生成器的编码部分；搭建生成器的解码部分；搭建判别器；训练对抗生成网络模型的生成器和判别器；根据得到的最佳生成器网络，对视频中发生的异常事件进行检测。

【技术特征摘要】
1.一种基于动作预测的视频异常行为检测方法，其特征在于，具体步骤包括：设计对抗生成网络模型，所设计的对抗生成网络模型包括生成器和判别器；搭建生成器的编码部分；搭建生成器的解码部分；搭建判别器；训练对抗生成网络模型的生成器和判别器；根据得到的最佳生成器网络，对视频中发生的异常事件进行检测。2.根据权利要求1所述的一种基于动作预测的视频异常行为检测方法，其特征在于，所述搭建生成器的编码部分步骤中生成器编码部分包括动作特征提取模块和图形特征提取模块；在动作特征提取模块中，利用三维卷积的方法提取观测视频的动作特征，形成动作特征图；在图形特征提取模块中，利用二维卷积的方法提取观测视频最后一帧的图形特征，形成图形特征图；将动作特征图与图形特征图结合，作为对视频的编码。3.根据权利要求2所述的一种基于动作预测的视频异常行为检测方法，其特征在于，所述动作特征提取模块的设置为：第一层由卷积核大小为4×3×3、步长为4×1×1的卷积核形成的卷积层、非线性激活层以及一个大小为1×2×2、步长为1×2×2的最大值池化层组成，之后两层均由卷积层1×3×3、步长为1×1×1的卷积层、非线性激活函数以及大小为1×2×2、步长为1×2×2的最大值池化层串联而成。4.根据权利要求2所述的一种基于动作预测的视频异常行为检测方法，其特征在于，所述图形特征提取模块由三层组成，具体设置为：每层均由卷积核大小为3×3、步长为1×1的卷积层、非线性激活层、大小为2×2、步长为2×2的最大值池化层串联形成的小模块堆叠而成；输出的图形特征图与动作特征图在长和宽的维度上的大小保持一致。5.根据权利要求1所述的一种基于动作预测的视频异常行为检测方法，其特征在于，所述搭建生成器的解码部分步骤中，将输入的动作特征图按时间维度拆分为数个维度为长、宽和通道数的特征图，并按时间维度的先后顺序依次输入到卷积长短期记忆递归神经网络，从而得到一个维度为...

【专利技术属性】
技术研发人员：黎敏婷，余翔宇，范子娟，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44