一种基于多分支视频异常检测方法和系统技术方案

本发明专利技术涉及一种基于多分支视频异常检测方法，所述方法包括：步骤S1：对视频样本作变化以增加视频样本的数量；步骤S2：构建异常检测模型，进行模型训练；步骤S3：进行多分支异常检测模型的测试；步骤S4：用多分支异常检测模型进行异常检测。本发明专利技术从样本选取、模型测试到模型使用均利用了视频样本的时序特征，从而使得训练速度更快，检测精度更高，降低了异常检测误报率。测误报率。测误报率。

【技术实现步骤摘要】
一种基于多分支视频异常检测方法和系统


[0001]本专利技术属于智慧安防
，尤其涉及一种基于多分支视频异常检测方法和系统。

技术介绍

[0002]视频异常检测是指对视频中发生的异常行为进行检测。随着监控视频的不断普及，自动识别视频中的异常事件变得越来越有必要，因为人工检查可能会造成大量的资源浪费,例如，劳动力。然而，由于异常事件的罕见性和多样性，视频异常检测是一项具有挑战性的任务。更具体地说，异常事件很少发生，可能是以前从未见过的事件。因此，要收集所有类型的异常事件相当困难，这使得传统的二元分类方法不适合。此外，它很难以明确界定异常情况。鉴于异常点通常是与上下文相关，一个场景中的异常事件可以被视为作为另一个场景中的正常事件。现有技术主要是基于重建的模型，要么是基于预测的模型。重建模型是可以对输入的视频片段进行很好的重建，模型对空间特征有很好的提取能力。而预测模型是可以对输入视频片段的下一帧进行很好的预测，模型对时序特征有更好的提取能力。但是，这些模型，但是，我们发现该双分支网络对时序特征的表达能力还不足，提取的特征还不够好，对异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分支视频异常检测方法，其特征在于，所述方法包含：步骤S1：对视频样本作变化以增加视频样本的数量；步骤S2：构建异常检测模型，进行模型训练；具体的：构建异常检测模型，采用视频样本数据I1～I
t
,I
t+1
进行模型训练；所述构建异常检测模型，具体为：构建神经网络模型，异常检测模型包括一个编码器和三个解码器，融合了重建分支、前向预测分支和反向预测分支；将视频样本输入编码器来得到一个中间层的高级语义特征，然后把该高级语义特征分别输入三个解码器中，来分别输出的重建帧，下一个帧和上一个帧，基于三个分支的分析来表达视频变化的时序特征；输入视频样本为t个视频帧，每个视频帧的尺寸为p*q*r，其中：r是网格数量；将视频样本输入编码器进行编码，编码器对t*p*q*r的视频样本进行降维，并最终形成一个1*(t*p*q)*r的视频样本对应语义特征；在编码的过程中，降低视频帧数量t的维度值，而增加尺寸大小相关的三个维度的维度值；步骤S3：进行多分支异常检测模型的测试；具体的：将测试视频样本输入异常检测模型，得到当前测试视频样本的重建帧RI
t
‑1，下一帧预测值RI
t
和上一帧预测值RI
t
‑2；分别计算重建帧、下一帧预测值、上一帧预测值对应的第一误差、第二误差、第三误差；判断第一误差、第二误差、第三误差是否满足误差要求，如果是，则进入步骤S4，否则基于不满足的情况进入步骤S1或者步骤S2；其中：误差要求包含关系要求和阈值要求；其中：关系要求为第一误差δ1、第二误差δ2、第三误差δ3之间满足特定函数关系；步骤S4：用多分支异常检测模型进行异常检测；具体的：将待检测视频输入多分支异常检测模型，当异常检测模型输出的误差不满足误差要求时，确定存在异常，并进行异常报警，否则，确定不存在异常。2.根据权利要求1所述的基于多分支视频异常检测方法，其特征在于，关系要求为第一误差δ1、第二误差δ2、第三误差δ3需要满足的线性函数关系；阈值要求为第一误差δ1、第二误差δ2、第三误差δ3所要小于的阈值。3.根据权利要求2所述的基于多分支视频异常检测方法，其特征在于，所述线性函数关系为：δ3＝a1
×
δ1+a2δ2±
b；其中a1，a2，b为常数。4.根据权利要求3所述的基于多分支视频异常检测方法，其特征...

【专利技术属性】
技术研发人员：张凯，韩忠义，杨光远，逯天斌，
申请(专利权)人：广东众聚人工智能科技有限公司，
类型：发明
国别省市：