视频检测方法、装置、终端设备及可读存储介质制造方法及图纸

本申请适用于计算机视觉技术领域，提供了一种视频检测方法、装置、终端设备及可读存储介质，该方法包括：获取待测视频，待测视频包括N个视频帧。依次获取N个视频帧的预测帧，其中，第i+1个视频帧的预测帧是将第i个视频帧的误差图像，输入到已训练的预测网络模型处理得到的。若第N个视频帧与第N个视频帧的预测帧的差异度符合预设条件，则确定待测视频存在异常。由于计算预测帧时是根据前一帧的误差图像预测得到的，因此生成的预测帧考虑到了待测视频的时序影响，使得获取的第N个视频帧的预测帧更准确，进而在根据第N个视频帧的预测帧和第N个视频帧确认待测视频是否异常时，实现了降低误检的概率，提高检测准确度效果。

Video detection method, device, terminal equipment and readable storage medium

【技术实现步骤摘要】
视频检测方法、装置、终端设备及可读存储介质
本申请属于计算机视觉
，尤其涉及一种视频检测方法、装置、终端设备及可读存储介质。
技术介绍
视频异常检测能够检测视频中是否包含异常事件，视频中的异常事件指的是在特定场景下与正常行为不同的特别事件，异常事件可能会危害公共安全或影响社会秩序，引起严重的后果，因此，通过视频异常检测确定是否存在异常事件，对于维护社会秩序起着重要作用。现有技术中，先将待检测视频的N帧整体输入至自动编码器中，由自动编码器对输入的N帧进行卷积操作，得到一个视频帧，最后根据视频帧确定待检测视频是否存在异常。但是，由于现有技术中并未考虑时序对于异常事件检测时的影响，因此在检测异常事件时，容易出现误检，检测效果并不理想。
技术实现思路
本申请实施例提供了一种视频检测方法、装置、终端设备及可读存储介质，以改善在检测异常事件时，容易出现误检，导致检测效果不理想问题。第一方面，本申请实施例提供了一种视频检测方法，包括：获取待测视频，待测视频包括N个视频帧，其中，N为大于1的整数。依次获取N个视频帧的预测帧。其中，N个视频帧中第i+1个视频帧的预测帧的计算方式为：将第i个视频帧的误差图像，输入到已训练的预测网络模型进行处理，得到第i+1个视频帧的预测帧，第i个视频帧的误差图像是根据第i个视频帧和第i个视频帧的预测帧相减所得，1≤i≤N-1，i为整数。计算第N个视频帧与第N个视频帧的预测帧的差异度。若差异度符合预设条件，则确定待测视频存在异常。在第一方面的一种可能的实现方式中，该视频检测方法的执行主体为具有图像处理能力的终端。示例性的，该终端可以是实体终端，如台式电脑、服务器、笔记本电脑、平板电脑等，也可是虚拟终端，如云端服务器、云计算等。应理解，以上执行主体仅为实例，并非限制必须是以上终端。需要说明的是，第1个视频帧的预测帧是将预设误差图像输入到预测网络模型进行处理后得到的。一些实施方式中，计算第N个视频帧与第N个视频帧的预测帧的差异度可以通过将第N个视频帧的预测帧与第N个视频帧相减并取模，得到差异度。另一些实施方式中，计算第N个视频帧与第N个视频帧的预测帧的差异值还可以通过预设修复算法，对第N个视频帧的预测帧进行修复。然后将修复后的第N个视频帧的预测帧与第N个视频帧相减并取模，得到差异度。可选地，若差异度符合预设条件，则确定待测视频存在异常，可以在差异度大于第一预设阈值时，确定待测视频存在异常。可选地，若差异度符合预设条件，则确定待测视频存在异常，还可以先对差异度的倒数进行归一化，得到正常度分数。然后，在正常度分数小于第二预设阈值时，确定待测视频存在异常。其中，预测网络模型为长短时记忆网络(LongShort-TermMemory，LSTM)模型或者为门控循环神经网络(GatedRecurrentUnit，GRU)模型。第二方面，本申请实施例提供了一种视频检测装置，包括：获取模块，用于获取待测视频，所述待测视频包括N个视频帧，其中，N为大于1的整数。预测模块，用于依次获取所述N个视频帧的预测帧。其中，所述N个视频帧中第i+1个视频帧的预测帧的计算方式为：将第i个视频帧的误差图像，输入到已训练的预测网络模型进行处理，得到所述第i+1个视频帧的预测帧，所述第i个视频帧的误差图像是根据所述第i个视频帧和所述第i个视频帧的预测帧相减所得，1≤i≤N-1，i为整数。计算模块，用于计算所述第N个视频帧与所述第N个视频帧的预测帧的差异度。确定模块，用于若所述差异度符合预设条件，则确定所述待测视频存在异常。在第二方面的一种可能的实现方式中，该视频检测装置可以是第一方面的的执行主体，其具体的形式与之相同，在此不再赘述。需要说明的是，第1个视频帧的预测帧是将预设误差图像输入到预测网络模型进行处理后得到的。一些实施方式中，计算模块，具体用于将第N个视频帧的预测帧与第N个视频帧相减并取模，得到差异度。另一些实施方式中，计算模块，具体用于通过预设修复算法，对第N个视频帧的预测帧进行修复。然后将修复后的第N个视频帧的预测帧与第N个视频帧相减并取模，得到差异度。可选地，确定模块，具体用于在差异度大于第一预设阈值时，确定待测视频存在异常。可选地，确定模块，还用于先对差异度的倒数进行归一化，得到正常度分数。然后，在正常度分数小于第二预设阈值时，确定待测视频存在异常。其中，预测网络模型为LSTM模型或者为GRU模型。第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面所提供的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时时实现如第一方面所提供的方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如第一方面所提供的方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。本申请实施例与现有技术相比存在的有益效果是：先通过根据待测视频，依次获取N个视频帧的预测帧。其中，第i个视频帧的误差图像是根据第i个视频帧和第i个视频帧的预测帧相减所得，第i+1个预测帧是根据第i个视频帧的误差图像输入到已训练的预测网络模型中处理得到的。然后计算第N个视频帧与第N个视频帧的预测帧的差异度。最后若差异度符合预设条件，则确定待测视频存在异常。由于计算预测帧时是根据前一帧的误差图像预测得到的，因此生成的预测帧考虑到了待测视频的时序影响，使得获取的第N个视频帧的预测帧更准确，进而在根据第N个视频帧的预测帧和第N个视频帧确认待测视频是否异常时，实现了降低误检的概率，提高检测准确度效果。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的应用场景示意图；图2是本申请一实施例提供的视频检测方法的流程示意图；图3是本申请另一实施例提供的视频检测方法的流程示意图；图4是本申请另一实施例提供的视频检测方法的流程示意图；图5是本申请另一实施例提供的应用场景示意图；图6是本申请一实施例提供的视频检测装置的结构示意图；图7是本申请实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对本文档来自技高网...

【技术保护点】
1.一种视频检测方法，其特征在于，包括：/n获取待测视频，所述待测视频包括N个视频帧，其中，N为大于1的整数；/n依次获取所述N个视频帧的预测帧，其中，所述N个视频帧中第i+1个视频帧的预测帧的计算方式为：将第i个视频帧的误差图像，输入到已训练的预测网络模型进行处理，得到所述第i+1个视频帧的预测帧，所述第i个视频帧的误差图像是根据所述第i个视频帧和所述第i个视频帧的预测帧相减所得，1≤i≤N-1，i为整数；/n计算所述第N个视频帧与所述第N个视频帧的预测帧的差异度；/n若所述差异度符合预设条件，则确定所述待测视频存在异常。/n

【技术特征摘要】
1.一种视频检测方法，其特征在于，包括：
获取待测视频，所述待测视频包括N个视频帧，其中，N为大于1的整数；
依次获取所述N个视频帧的预测帧，其中，所述N个视频帧中第i+1个视频帧的预测帧的计算方式为：将第i个视频帧的误差图像，输入到已训练的预测网络模型进行处理，得到所述第i+1个视频帧的预测帧，所述第i个视频帧的误差图像是根据所述第i个视频帧和所述第i个视频帧的预测帧相减所得，1≤i≤N-1，i为整数；
计算所述第N个视频帧与所述第N个视频帧的预测帧的差异度；
若所述差异度符合预设条件，则确定所述待测视频存在异常。


2.根据权利要求1所述的方法，其特征在于，第1个视频帧的预测帧是将预设误差图像输入到所述预测网络模型进行处理后得到的。


3.根据权利要求1所述的方法，其特征在于，所述计算所述第N个视频帧与所述第N个视频帧的预测帧的差异度，包括：
将所述第N个视频帧的预测帧与所述第N个视频帧相减并取模，得到所述差异度。


4.根据权利要求1所述的方法，其特征在于，所述计算所述第N个视频帧与所述第N个视频帧的预测帧的差异值，包括：
通过预设修复算法，对所述第N个视频帧的预测帧进行修复；
将修复后的所述第N个视频帧的预测帧与所述第N个视频帧相减并取模，得到所述差异度。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述若所述差异度符合预设条件，则确定所述待测视频存在异常，包括：
若所述差异度大于第一预设阈值，则确定所述待测视频存在异常。

【专利技术属性】
技术研发人员：乔宇，彭小江，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44