一种基于监控视频的车辆偷盗行为识别方法技术

本发明专利技术公开了一种基于监控视频的车辆偷盗行为识别方法，包括步骤：首先使用3维卷积预训练模型提取特征，在分类之前加入时空联合注意力机制，用来聚焦车辆偷盗行为发生的时空位置，最后通过分类实现对偷盗行为的识别。针对监控视频中犯罪目标犯罪行为隐蔽，动作幅度小导致难以检测的问题，在网络中加入时间注意力机制来捕捉时间上的运动信息的变化；针对监控视频中犯罪目标较小，在空间上所占的位置较小的问题，在网络中加入空间注意力机制；然后使用先时间后空间级联的时空联合机制来建模车辆偷盗行为的时空间信息，得到具有较好区分度的3维时空特征，从而提高识别准确率，在车辆偷盗行为数据集上的识别准确率达到了97.8％。

【技术实现步骤摘要】
一种基于监控视频的车辆偷盗行为识别方法
本专利技术属于行为识别领域，具体涉及一种基于监控视频的车辆偷盗行为识别方法。
技术介绍
车辆偷盗行为是一种常见的犯罪行为，不仅影响社会治安稳定，而且对公共财产和个人财产造成了极大损失，准确地识别出车辆偷盗行为对于保障人民财产安全、维护社会和谐稳定具有重大的现实意义。近年来，大量视频监控设备的部署对预防犯罪行为起了很大的作用，但也存在着资源闲置、监而不控的问题，海量的监控视频数据，采用人工检查偷盗行为的方式代价高、效率低。因此，设计一种使用计算机来准确识别车辆偷盗行为的方法是很有价值的。随着深度学习技术的快速发展，研究者们提出了多种基于卷积神经网络的行为识别方法，大大提高了行为识别的准确率。基于3维卷积网络的识别方法相比于2维卷积，能够同时进行时间和空间维度的建模，在行为识别任务上具有快速、准确的特点。车辆偷盗行为和标准的行为识别数据集相比，具有以下不同：监控视频内的犯罪分子所占的比例较小，运动目标较小导致空间位置信息难以捕捉；监控视频中偷盗行为比较隐蔽，且动作幅度小、动作快。<br>视觉注意力机制本文档来自技高网...

【技术保护点】
1.一种基于监控视频的车辆偷盗行为识别方法，其特征在于，包括以下步骤：/n1)特征提取模块输入为固定长度的连续RGB帧，采用3维卷积神经网络网络提取车辆偷盗行为的时空特征；/n2)时间注意力模块在时空特征的时间维度使用注意力机制，给各时间点的特征分配不同的权重，使得识别网络更易捕捉到时间上的动作变化信息；/n3)空间注意力模块在时空特征的空间维度使用注意力机制，给不同空间位置的局部特征分配不同的权重，使得识别网络更易聚焦到犯罪目标的空间位置，减少背景因素的干扰；/n4)时间空间联合策略采用先时间后空间级联的时空联合策略，实现了3维时空的权重分配机制，获得更具有区分度的时空特征。/n

【技术特征摘要】
1.一种基于监控视频的车辆偷盗行为识别方法，其特征在于，包括以下步骤：
1)特征提取模块输入为固定长度的连续RGB帧，采用3维卷积神经网络网络提取车辆偷盗行为的时空特征；
2)时间注意力模块在时空特征的时间维度使用注意力机制，给各时间点的特征分配不同的权重，使得识别网络更易捕捉到时间上的动作变化信息；
3)空间注意力模块在时空特征的空间维度使用注意力机制，给不同空间位置的局部特征分配不同的权重，使得识别网络更易聚焦到犯罪目标的空间位置，减少背景因素的干扰；
4)时间空间联合策略采用先时间后空间级联的时空联合策略，实现了3维时空的权重分配机制，获得更具有区分度的时空特征。


2.根据权利要求1所述的一种基于监控视频的车辆偷盗行为识别方法，其特征在于，步骤1)中，对于特征提取模块在训练阶段，采用预训练好的3D-Inception模型在车辆偷盗行为数据上进行迁移学习，网络输入为固定长度连续RGB图像帧，提取的3维特征送入后续注意力模块进行特征权重分配，整个网络联合训练，在测试阶段，特征提取使用训练好的3维神经网络。


3.根据权利要求1所述的一种基于监控视频的车辆偷盗行为识别方法，其特征在于，步骤2)中，对于时间注意力模块提出使用3维空间池化处理时空特征，保留时间...

【专利技术属性】
技术研发人员：李凡，文帅，贺丽君，
申请(专利权)人：西安交通大学，广东顺德西安交通大学研究院，
类型：发明
国别省市：陕西;61