监控视频特定异常行为的检测模型训练方法及检测方法技术

本发明专利技术公开了一种监控视频特定异常行为的检测模型训练方法及检测方法，属于视频处理技术领域。在训练模型时，包括：将数据集中每个训练视频均分成数量相等的视频片段，构成正例包和负例包；将视频片段输入预训练好的特征提取网络提取视频特征；将所提取的视频特征输入串联的至少一个全连接层，得到视频片段特征；利用所得到的视频片段特征构造无向图，将无向图输入串联的至少一个图卷积神经网络层得到异常得分；根据异常得分，计算正负样本之间的排序损失，并更新权重，完成至少一个全连接层和至少一个图卷积神经网路层的训练。检测时，利用所训练出的模型进行检测。本发明专利技术能够对视频监控中特定异常行为进行较好的检测，并具有较快的检测速度。

【技术实现步骤摘要】
监控视频特定异常行为的检测模型训练方法及检测方法
本专利技术属于视频处理
，具体涉及一种监控视频特定异常行为的检测模型训练方法及检测方法。
技术介绍
传统的视频监控系统大多只能完成监控录像、视频联网这些基本功能，因此多数时候只能用于事后取证，无法起到事前预防、突发情况预警作用。智能分析是视频监控的发展趋势，能够提升监控系统的有效性，加快安保人员对各类异常事件的反应速度和处理时间。智能视频监控采用图像处理、模式识别和计算机视觉技术，通过对摄像机拍录的图像序列进行自动分析来对动态场景中的目标进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，若在某些特定场所或特定时间内出现可疑或反常的行为，系统会自动发出报警。它的优势在于它可以一天24小时不间断地对监控区域进行监控和自动分析，使安保人员从庞大的数据处理中解脱出来。相对于人工监看视频画面，智能监控可靠性更高，能够有效提高监控和报警精确度，大大降低误报和漏报现象的发生。视频分析是智能视频监控的主要技术，基于深度学习的方法近年来在视频分析领域也逐渐兴起，涌现了许多卓越的研究工作本文档来自技高网...

【技术保护点】
1.一种监控视频特定异常行为的检测模型训练方法，其特征在于，包括：/n将数据集中每个训练视频均分成数量相等的视频片段，构成正例包和负例包；/n将视频片段输入预训练好的特征提取网络提取视频特征；/n将所提取的视频特征输入串联的至少一个全连接层，得到视频片段特征；/n利用所得到的视频片段特征构造无向图，将所述无向图输入串联的至少一个图卷积神经网络层得到异常得分；/n根据所述异常得分，计算正负样本之间的排序损失，并更新权重，完成所述至少一个全连接层和至少一个图卷积神经网路层的训练。/n

【技术特征摘要】
1.一种监控视频特定异常行为的检测模型训练方法，其特征在于，包括：
将数据集中每个训练视频均分成数量相等的视频片段，构成正例包和负例包；
将视频片段输入预训练好的特征提取网络提取视频特征；
将所提取的视频特征输入串联的至少一个全连接层，得到视频片段特征；
利用所得到的视频片段特征构造无向图，将所述无向图输入串联的至少一个图卷积神经网络层得到异常得分；
根据所述异常得分，计算正负样本之间的排序损失，并更新权重，完成所述至少一个全连接层和至少一个图卷积神经网路层的训练。


2.根据权利要求1所述的训练方法，其特征在于，所述的特征提取网络包括依次连接的深度可分离卷积层C1、池化层P1、深度可分离卷积层C2、池化层P2、深度可分离卷积层C3、池化层P3、深度可分离卷积层C4、池化层P4、深度可分离卷积层C5、池化层P5、全连接层FC6。


3.根据权利要求1所述的训练方法，其特征在于，所述至少一个全连接层包括串联的全连接层FC7和全连接层FC8，其中，FC7具有512个单元，FC8具有128个单元，FC7和FC8之间随机舍弃，参数保留概率为kp。


4.根据权利要求1所述的训练方法，其特征在于，所述至少一个图卷积神经网络层包括串联的图卷积神经网络层GCN1和图卷积神经网络层GCN2，其中，图卷积神经网络层GCN1的输出的特征维度为32维，图卷积神经网络层GCN2的输出特征维度为1维。


5.根据权利要求1-4任一项所述的训练方法，其特征在于，利用所得到的视频片段特征构造无向图，将所述无向图输入串联的至少一个图卷积神经网络层得到异常得分的方法包括：
将每个视频片段特征当作节点，将片段特征之间的关系当作边，构造无向图；
将无向图输入串联...

【专利技术属性】
技术研发人员：梅雪，吴欣红，李云柯，王莉，何毅，
申请(专利权)人：南京工业大学，贵州安防工程技术研究中心有限公司，
类型：发明
国别省市：江苏;32