基于外观-运动融合网络的人群异常行为检测方法及系统技术方案

本公开提供了一种基于外观

【技术实现步骤摘要】
基于外观
‑
运动融合网络的人群异常行为检测方法及系统


[0001]本公开涉及计算机视觉
，特别涉及一种基于外观
‑
运动融合网络的人群异常行为检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]随着监控摄像头在日常生活中的普及，监控视频数据呈爆炸式增长态势。如果能够对人群进行监测，及时发现人群异常的行为，就可以及时采取相应的解决方案，避免重大意外事件的发生。传统的人工异常事件检测不仅耗费大量人力资源，而且由于疲劳工作或侥幸心理，人工检测往往容易漏检异常。国内外研究人员对监控视频异常行为检测算法进行了大量研究，如何实时且精准地检测和定位异常已成为图像处理、机器视觉等领域的研究热点。
[0004]视频异常行为检测与定位是指利用正异常行为特征表示之间的差异性自动检测及定位异常行为，在安防领域具有重要应用，通常由前景提取与运动目标检测、特征提取、分类及异常检测三部分组成。传统的运动目标检测方法主要有帧差法、背景减除法以及光流法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：包括以下步骤：获取视频帧图像，对视频帧图像进行处理得到光流图和特征学习后的重构图；将特征学习后的重构图输入到预设神经网络的第一通道中，得到目标的外观特征；将视频帧图像对应的光流图输入到预设神经网络模型的第二通道，得到目标的运动特征；第一通道与第二通道的帧率比小于1，第一通道和第二通道通过横向连接进行语义融合，通过全连接层进行分类，标注出异常行为。2.如权利要求1所述的基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：利用Conv
‑
AE模型对视频帧图像进行处理得到特征学习后的重构图，Conv
‑
AE模型包括编码器和解码器；编码器采用跨步卷积的方式降低特征图的分辨率，编码器的输入层后面紧接着一层Inception模块，解码器每层的ReLU激活函数之前设有一个Dropout层。3.如权利要求2所述的基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：Conv
‑
AE模型的损失函数为强度损失和梯度损失的总和；或者，采用FlowNet2得到对视频帧图像进行处理得到光流图。4.如权利要求1所述的基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：当第一通道的时间跨度τ时，第二通道的时间跨度为τ/α，α为快速通道流和慢速通道流之间的帧率比，且α大于1。5.如权利要求1所述的基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：在全局池化层之前，快速通道流不使用时间序列下采样层。6.如权利要求1所述的基于外观
‑
运动融合网络的人群异常行为检测方法，其特征在于：将第一通道的特征形状表示为{T,S2,C...

【专利技术属性】
技术研发人员：刘一良，亓延鹏，代丽，吕蕾，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：