异常检测模型生成方法和装置、异常事件检测方法和装置制造方法及图纸

本申请实施例公开了异常检测模型生成方法和装置。该方法的一具体实施方式包括：获取多个样本图像帧序列；基于第一图像和第二图像，训练初始模型包括的预测帧生成器，其中，预测帧生成器包括多层次的特征提取网络和生成网络，特征提取网络用于提取第一图像的不同深度的特征信息并融合特征信息，生成网络用于利用融合后的特征信息生成预测帧；基于预测帧和第二图像，训练初始模型包括的帧判别器；响应于训练结束，将训练后的初始模型确定为异常检测模型。该实施方式采用了融合多种不同深度的特征信息的方法，可以使生成的预测帧更接近实际，从而提高了异常检测的准确性。从而提高了异常检测的准确性。从而提高了异常检测的准确性。

【技术实现步骤摘要】
异常检测模型生成方法和装置、异常事件检测方法和装置


[0001]本申请实施例涉及计算机
，具体涉及异常检测模型生成方法和装置、异常事件检测方法和装置。

技术介绍

[0002]异常检测(Anomaly Detection)问题是机器学习算法的一个常见应用。让一个系统从许多未标注的数据中学习到某些正常的特征，从而能够诊断出非正常的数据，我们把这个过程叫做异常检测。所谓异常检测就是发现与大部分对象不同的对象，其实就是发现离群点。异常检测有不同领域的定义，视频中的异常检测是指识别与预期行为不符的事件，区别正常事件和异常事件。
[0003]现在的异常检测方法，使用正常训练数据进行特征重建是一种常用的策略。然而，几乎所有现有方法都通过最小化训练数据的重构误差来解决该问题，这不能保证异常事件中较大的重构误差。根据现有方法可以将特征重建的方法大致分为基于手动设计特征的方法以及基于深度学习的方法。在使用手动设计特征的方法时，由于字典没有经过异常事件的训练，而且通常不完整，所以并不能保证结果的准确性。而使用基于深度学习的方法也会出现一些问题，深度神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测模型生成方法，其特征在于，所述方法包括：获取多个样本图像帧序列，其中，每个样本图像帧序列包括第一图像和第二图像，所述第二图像为所述第一图像的下一帧图像；基于所述第一图像和所述第二图像，训练初始模型包括的预测帧生成器，其中，所述预测帧生成器包括多层次的特征提取网络和生成网络，所述特征提取网络用于提取所述第一图像的不同深度的特征信息并融合所述特征信息，所述生成网络用于利用融合后的特征信息生成预测帧；基于所述预测帧和所述第二图像，训练所述初始模型包括的帧判别器；响应于训练结束，将训练后的初始模型确定为异常检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一图像和所述第二图像，训练初始模型包括的预测帧生成器，包括：基于预设的第一损失函数，优化所述特征提取网络的参数，其中，所述第一损失函数包括以下至少一种：L2距离损失、梯度约束损失、光流损失；基于预设的第二损失函数，优化所述生成网络的参数，其中，所述第二损失函数包括最小二乘损失。3.根据权利要求1所述的方法，其特征在于，所述基于所述预测帧和所述第二图像，训练所述初始模型包括的帧判别器，包括：将位于所述第二图像之前的预设数量个图像帧与所述预测帧叠加为多通道图像；提取所述多通道图像的特征信息；对所述多通道图像的特征信息进行光流估计以确定所述预测帧与所述第二图像之间的光流损失；基于所述光流损失，对所述帧判别器的参数进行优化。4.根据权利要求1
‑
3之一所述的方法，其特征在于，所述第一图像的数量为至少两个。5.根据权利要求1
‑
3之一所述的方法，其特征在于，所述方法还包括：获取经过多次训练得到的多个异常检测模型；确定所述多个异常检测模型的检测性能，并将检测性能最优的异常检测模型确定为进行异常事件检测所用的模型。6.一种异常事件检测方法，其特征在于，所述方法包括：获取由图像采集设备采集的图像帧序列，其中，所述图像帧序列包括第一图像和第二图像，所述第二图像为所述第一图像的下一帧图像；将所述第一图像输入预先训练的异常检测模型包括的预测帧生成器，得到预测帧，其中，所述异常检测模型预先基于权利要求1<...

【专利技术属性】
技术研发人员：吴俊，陈晓蝶，马永康，曾铮，江文涛，
申请(专利权)人：罗普特厦门系统集成有限公司，
类型：发明
国别省市：