基于重构和预测的异常检测方法技术

本发明专利技术涉及视频及图像处理技术领域，具体涉及基于重构和预测的异常检测方法，包括：获取待检测的测试视频序列；将所述测试视频序列输入经过预先训练的异常检测模型中；所述异常检测模型首先分别提取测试视频序列的空间外观特征和时间运动特征，然后对所述空间外观特征和所述时间运动特征进行融合得到对应的时空特征，再基于所述时空特征获取对应的重构帧，最后根据所述重构帧计算对应的异常分数；将所述测试视频序列的异常分数作为其异常检测结果。本发明专利技术的异常检测方法能够兼顾异常检测性能和准确性，从而能够提升异常检测的效果和效率。和效率。和效率。

【技术实现步骤摘要】
基于重构和预测的异常检测方法


[0001]本专利技术涉及视频与图像处理
，具体涉及基于重构和预测的异常检测方法。

技术介绍

[0002]视频异常检测是计算机视觉中的一项重要研究任务，它有许多方面的应用，如交通事故检测、暴力检测和异常人群行为检测。由于异常的不确定性和多样性，尽管已经研究了数年，从正常事件中准确识别异常事件仍然是一项具有挑战性的任务。同时，在现实世界中，很难列举所有的异常事件来学习各种异常模式。因此，很多研究都是基于一类分类方法来检测异常，而不是基于监督思想的二元分类。基于一类分类的异常检测是从正常数据中学习正常模式的分布，并计算测试样本服从该分布的概率来反映异常。
[0003]针对现有异常检测方法对噪声和时间间隔敏感的问题，公开号为CN111680614A的中国专利公开了《一种基于视频监控中的异常行为检测方法》，其将视频帧图像中的目标对象提取特征后，先对特征进行聚类，再输入到SVM分类器中，取得分最高的作为该目标对象的异常得分，最后取该视频帧图像中所有目标对象的异常得分中的最高值作为该帧图像的异常得分，利用SVM分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于重构和预测的异常检测方法，其特征在于，包括以下步骤：S1：获取待检测的测试视频序列；S2：将所述测试视频序列输入经过预先训练的异常检测模型中；所述异常检测模型首先分别提取测试视频序列的空间外观特征和时间运动特征，然后对所述空间外观特征和所述时间运动特征进行融合得到对应的时空特征，再基于所述时空特征获取对应的重构帧，最后根据所述重构帧计算对应的异常分数；S3：将所述测试视频序列的异常分数作为其异常检测结果。2.如权利要求1所述的基于重构和预测的异常检测方法，其特征在于：所述异常检测模型包括用于提取空间外观特征的重构编码器，用于提取时间运动特征的预测编码器，与所述重构编码器和所述预测编码器的输出连接且用于融合得到时空特征的融合模块，以及与所述融合模块的输出连接且用于获取重构帧的译码器。3.如权利要求2所述的基于重构和预测的异常检测方法，其特征在于：步骤S2中，将所述测试视频序列的当前帧输入到所述重构编码器，以提取对应的空间外观特征；将所述测试视频序列当前帧之前的若干帧输入到所述预测编码器，以提取对应的时间运动特征。4.如权利要求2所述的基于重构和预测的异常检测方法，其特征在于：训练所述异常检测模型时，基于所述异常检测模型上一轮的重构误差对当前轮次输入的视频序列进行反向擦除，以去除视频序列中重构误差小于预设阈值的像素，得到对应的擦除帧。5.如权利要求4所述的基于重构和预测的异常检测方法，其特征在于：I
t
表示视频序列中的第t帧，I
t
‑
Δ
代表I
t
之前的第Δ帧；所述反向擦除是指：在除第一轮之外的每轮训练迭代之后，首先计算原始帧I
t
和重构帧之间的像素级误差；然后根据所述像素级误差的值是否大于预设阈值，来将其掩码中对应的像素值设置为1或0以获得相应的掩码；最后在当前轮次训练之前，从I
t
‑
Δ
到I
t
的原始帧与掩码逐像素相乘，以得到所述异常检测模型当前轮次的擦除帧，表示为I
′
t
‑
Δ
到I
′
t
。6.如权利要求4所述的基于重构和预测的异常检测方法，其特征在于：训练所述异常检测模型时，在所述译码器的输出连接一个深度SVDD模块；所述深度SVDD模块用于寻找体积最小的超球体来包含正常事件的重构帧的全部或大部分高级特征，并利用重构帧高层特征的紧凑约束使得重构的正常帧相似，以增加正常帧与异常帧的重构距离。7.如权利要求6所述的基于重构和预测的异常检测方法，其特征在于：所述深度SVDD模块包括与所述译码器的输出连接的映射编码器，以及与所述映射编码器的输出连接的超球体；映射编码器首先将重构帧映射到低维潜在表示中，然后将低维表示拟合到具有最小体积的超球体中，以迫使所述异常检测模型学习提取正常事件的公共因子；所述深度SVDD模块的目标函数...

【专利技术属性】
技术研发人员：仲元红，陈霞，朱冬，张建，杨易，
申请(专利权)人：重庆大学，
类型：发明
国别省市：