【技术实现步骤摘要】
一种基于开放数据过滤和域适应的视频异常检测方法
本专利技术涉及计算机视觉的
,特别是涉及一种基于开放数据过滤和域适应的视频异常检测方法。
技术介绍
异常检测是实现智能视频监控的关键技术,可以自动检测视频中的异常事件。现有的视频异常检测方法可按照监督方式分为三类:半监督、无监督和有监督。半监督异常检测方法只使用正常数据训练检测模型,在测试时将不符合正常数据特征的事件确定为异常事件;无监督异常检测方法未使用已知的正常数据,仅通过参照视频上下文估算帧的可分辨性来检测异常。如果可以轻松地将一个帧与同一视频中的其他帧区分开,则将其标记为异常帧;有监督异常检测方法使用大量正常数据和少量异常数据训练异常检测模型,将异常检测视为不平衡二分类问题。现有的方法通常利用异常事件和正常事件的差异性来衡量视频中的帧是否包含异常事件。但是,由于视频中事件的多样性和开放性,获得所有可能的正常事件并不现实,测试集中未见过的正常事件类型和训练集中的已知正常事件同样可能存在较大的差异性。那么未见过的正常事件将无法满足训练集中已知正常事件的特征,存在较大可能会被误判为异常事件,导致较高的假阳性率。
技术实现思路
为解决上述技术问题,本专利技术提供一种基于开放数据过滤和域适应的有监督视频异常检测方法来衡量视频帧内是否存在异常,提高视频异常检测性能。本专利技术的一种基于开放数据过滤和域适应的视频异常检测方法,包括:使用在ImageNet上训练好的vgg-f模型提取训练视频和测试视频的所有帧的外观特征,并使用训 ...
【技术保护点】
1.一种基于开放数据过滤和域适应的视频异常检测方法,其特征在于,包括如下步骤:/n(1)提取数据特征:使用预训练的神经网络提取训练数据和测试数据的外观特征,并利用训练数据的特征训练可见数据分类器;/n(2)开放数据过滤:使用开放数据过滤器对测试数据的特征进行分析,并将其分为可见数据和开放数据;/n(3)开放数据域适应:使用联合分布适配方法(joint distribution adaptation,JDA)缩小开放数据和训练数据之间的分布差异,获得新的开放数据和训练数据的特征表示;利用新的训练数据特征表示训练开放数据分类器;/n(4)异常得分:对于测试集中的可见数据,使用可见数据分类器获得其属于异常的概率,将该概率作为可见数据的异常得分;对于测试集中的开放数据,使用开放数据分类器获得其属于异常的概率,将该概率作为可见数据的异常得分。/n
【技术特征摘要】
1.一种基于开放数据过滤和域适应的视频异常检测方法,其特征在于,包括如下步骤:
(1)提取数据特征:使用预训练的神经网络提取训练数据和测试数据的外观特征,并利用训练数据的特征训练可见数据分类器;
(2)开放数据过滤:使用开放数据过滤器对测试数据的特征进行分析,并将其分为可见数据和开放数据;
(3)开放数据域适应:使用联合分布适配方法(jointdistributionadaptation,JDA)缩小开放数据和训练数据之间的分布差异,获得新的开放数据和训练数据的特征表示;利用新的训练数据特征表示训练开放数据分类器;
(4)异常得分:对于测试集中的可见数据,使用可见数据分类器获得其属于异常的概率,将该概率作为可见数据的异常得分;对于测试集中的开放数据,使用开放数据分类器获...
【专利技术属性】
技术研发人员:张晨,李国荣,苏荔,黄庆明,
申请(专利权)人:中国科学院大学,
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。