基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及一种基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质，该方法包括：从第一终端获取目标用户的待检测的视频数据，待检测视频数据至少包含两个图像帧，图像帧是在判断时间点之前预设时间段内与目标用户动作相关的图像；从关键子区域图像中提取特征数据；将特征数据输入判断模型中，根据特征数据生成多个不同时间尺度的特征数据，并根据多个不同时间尺度的特征数据得到目标用户的行为的类别，行为的类别包括正常行为以及至少一种异常行为。上述方法运行速度更快，准确度更高，鲁棒性更好，判断标准差更低，能更好的实现用户行为判断。好的实现用户行为判断。好的实现用户行为判断。

【技术实现步骤摘要】
基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质


[0001]本专利技术涉及互联网应用
，特别是涉及基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质。

技术介绍

[0002]用户异常行为常指违反社会文明准则或成群体行为习惯和标准的“反常”行为。特别是随着人们对公共安全意识、网络安全意识的提高，因此对人群场景、网络等环境中的异常行为检测的关注度越来越高。
[0003]目前对用户异常行为的检测，通常依据个体异常行为的特征进行匹配检测，或依据个体正常行为的特征进行对比检测。但由于同一个行为可能在某些情况下是异常行为，而在其他情况下是正常行为。因此可能会将正常行为误检为异常行为，也有可能会将异常行为漏检为正常行为，从而导致异常行为检测的错误率高。

技术实现思路

[0004]本申请提供了一种基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质。
[0005]第一方面提供了一种基于深度学习判断异常行为的监控方法，包括：
[0006]从第一终端获取目标用户的待检测的视频数据，所述待检测视频数据至少包含两个图像帧，所述图像帧是在判断时间点之前预设时间段内与所述目标用户动作相关的图像；
[0007]从关键子区域图像中提取特征数据；
[0008]将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为的类别，所述行为的类别包括正常行为以及至少一种异常行为。r/>[0009]在一些实施例中，所述判断模型包括第一判断单元和第二判断单元；
[0010]所述将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为判断结果，包括：
[0011]将所述特征数据输入第一判断单元中，对所述特征数据进行多个时间尺度的离散小波变换，得到各个时间尺度的第一特征矩阵，并所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果；
[0012]将所述特征数据输入第二判断单元中，所述第二判断单元对所述特征数据进行多个不同时间尺度的下采样，得到各个时间尺度的第二特征矩阵，并所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果；
[0013]聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结
果。
[0014]在一些实施例中，所述第一判断单元包括小波变换模块和XGBoost模块，所述第二判断单元包括CNN模型和GRU模型；
[0015]所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果，包括：
[0016]将所述第一特征矩阵输入所述XGBoost模块，得到所述目标用户行为类别的第一判断结果；
[0017]所述所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果，包括：
[0018]将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作，得到多个时间尺度的第一特征向量；
[0019]对所述多个时间尺度的第一特征向量进行序列长度的补充，使得所述第一特征向量具有相同维数；
[0020]将所述第一特征向量输入所述GRU模型，采用所述GRU模型对所述第一特征向量进行时序分析，生成第二特征向量；
[0021]采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分，得到得到所述目标用户行为类别的第二判断结果。
[0022]在一些实施例中，所述聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结果，包括：
[0023]通过预设长度的全连接层聚合所述第一判断结果和所述第二判断结果，输出层输出最终的目标用户的行为的类别判断结果。
[0024]在一些实施例中，所述第二判断单元还包括Dropout层，所述Dropout层设置在GRU模型与全连接层之间。
[0025]在一些实施例中，所述方法还包括：
[0026]响应于所述行为的类别，基于预先设置的行为的类别与报警类别信息之间的对应关系，确定所述行为的类别对应的报警类别信息；
[0027]基于所确定的报警类别信息，确定所述第一终端是否处于报警状态；
[0028]响应于确定所述第一终端处于报警状态，向至少一个第二终端发送报警信息，所述报警信息包括报警类别信息、所述第一终端的位置信息。
[0029]在一些实施例中，所述待检测图像为红外摄像头采集的灰度图像。
[0030]第二方面提供了一种基于深度学习判断异常行为的监控装置，包括：
[0031]获取单元，用于从第一终端获取目标用户的待检测的视频数据，所述待检测视频数据至少包含两个图像帧，所述图像帧是在判断时间点之前预设时间段内与所述目标用户动作相关的图像；
[0032]特征提取单元，用于从关键子区域图像中提取特征数据；
[0033]判断单元，用于将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为的类别，所述行为的类别包括正常行为以及至少一种异常行为。
[0034]第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计
算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述基于深度学习判断异常行为的监控方法的步骤。
[0035]第四方面提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述基于深度学习判断异常行为的监控方法的步骤。
[0036]上述基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质，首先从第一终端获取目标用户的待检测的视频数据，待检测视频数据至少包含两个图像帧，图像帧是在判断时间点之前预设时间段内与目标用户动作相关的图像；其次从关键子区域图像中提取特征数据；最后将特征数据输入判断模型中，根据特征数据生成多个不同时间尺度的特征数据，并根据多个不同时间尺度的特征数据得到目标用户的行为的类别，行为的类别包括正常行为以及至少一种异常行为。因此，该方法运行速度更快，准确度更高，鲁棒性更好，判断标准差更低，能更好的实现用户行为判断。
附图说明
[0037]图1为一个实施例中提供的基于深度学习判断异常行为的监控方法的实施环境图；
[0038]图2为一个实施例中基于深度学习判断异常行为的监控方法的流程图；
[0039]图3为一个实施例中基于深度学习判断异常行为的监控装置的结构框图。
具体实施方式
[0040]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0041]可以理解，本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习判断异常行为的监控方法，其特征在于，所述方法包括：从第一终端获取目标用户的待检测的视频数据，所述待检测视频数据至少包含两个图像帧，所述图像帧是在判断时间点之前预设时间段内与所述目标用户动作相关的图像；从关键子区域图像中提取特征数据；将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为的类别，所述行为的类别包括正常行为以及至少一种异常行为。2.根据权利要求1所述的基于深度学习判断异常行为的监控方法，其特征在于，所述判断模型包括第一判断单元和第二判断单元；所述将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为判断结果，包括：将所述特征数据输入第一判断单元中，对所述特征数据进行多个时间尺度的离散小波变换，得到各个时间尺度的第一特征矩阵，并所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果；将所述特征数据输入第二判断单元中，所述第二判断单元对所述特征数据进行多个不同时间尺度的下采样，得到各个时间尺度的第二特征矩阵，并所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果；聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结果。3.根据权利要求2所述的基于深度学习判断异常行为的监控方法，其特征在于，所述第一判断单元包括小波变换模块和XGBoost模块，所述第二判断单元包括CNN模型和GRU模型；所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果，包括：将所述第一特征矩阵输入所述XGBoost模块，得到所述目标用户行为类别的第一判断结果；所述所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果，包括：将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作，得到多个时间尺度的第一特征向量；对所述多个时间尺度的第一特征向量进行序列长度的补充，使得所述第一特征向量具有相同维数；将所述第一特征向量输入所述GRU模型，采用所述GRU模型对所述第一特征向量进行时序分析，生成第二特征向量；采用预设长度的全连接层及softmax分类器对所述第...

【专利技术属性】
技术研发人员：杨钰，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：