【技术实现步骤摘要】
异常事件检测方法及装置、计算机设备、存储介质
[0001]本公开涉及计算机视觉
，尤其涉及一种异常事件检测方法及装置、计算机设备、存储介质。
技术介绍
[0002]视频异常检测方法旨在捕捉视频中的异常事件并确定其发生的时间区间，异常事件指不符合预期的、极少出现的行为。如何提升异常事件检测的准确性，一直以来备受关注。
技术实现思路
[0003]本公开提供一种异常事件检测方法及装置、计算机设备、存储介质。
[0004]根据本公开实施例的第一方面，提供一种异常事件检测方法，包括：获取至少两个图像序列；其中，每一所述图像序列中包括至少一帧图像；对每一所述图像序列进行至少两种尺度的划分，得到同一尺度下所有图像帧中同一位置的图像块组成的图像块集合；基于各所述图像序列的图像块集合，确定各所述图像序列之间的相关性特征；根据各所述图像序列之间的相关性特征，在所述至少两个图像序列中确定出存在异常事件的目标图像序列。
[0005]根据本公开实施例的第二方面，提供一种异常事件检测装置，包括：获取模块，用于获取至...
【技术保护点】
【技术特征摘要】
1.一种异常事件检测方法，其特征在于，所述方法包括：获取至少两个图像序列；其中，每一所述图像序列中包括至少一帧图像；对每一所述图像序列进行至少两种尺度的划分，得到同一尺度下所有图像帧中同一位置的图像块组成的图像块集合；基于各所述图像序列的图像块集合，确定各所述图像序列之间的相关性特征；根据各所述图像序列之间的相关性特征，在所述至少两个图像序列中确定出存在异常事件的目标图像序列。2.根据权利要求1所述的方法，其特征在于，所述基于各所述图像序列的图像块集合，确定各所述图像序列之间的相关性特征，包括：针对每一所述图像序列，基于同一尺度下的各图像块集合，获得尺度对应的第一特征；其中，所述第一特征中包括同一尺度的各图像块集合之间的相关性；将同一所述图像序列中各尺度对应的所述第一特征融合，得到每一所述图像序列的第二特征；基于各所述图像序列的所述第二特征，确定各所述图像序列之间的所述相关性特征。3.根据权利要求2所述的方法，其特征在于，所述基于同一尺度下的各图像块集合，获得尺度对应的第一特征，包括：对同一尺度下的各所述图像块集合做特征提取，获得所述图像块集合对应的特征；将同一尺度的所述图像块集合的特征进行拼接，获得尺度对应的第一拼接特征；基于所述尺度对应的第一拼接特征，利用自注意力机制和卷积处理构建所述第一拼接特征所表征的同一尺度的图像块集合之间的关联关系，获得所述尺度对应的第一特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述尺度对应的第一拼接特征，利用自注意力机制和卷积处理构建所述第一拼接特征所表征的同一尺度的图像块集合之间的关联关系，获得所述尺度对应的第一特征，包括：基于所述自注意力机制以及所述第一拼接特征，确定权重矩阵；其中，所述权重矩阵中包括：表征同一尺度的各所述图像块集合存在异常的概率的权重值；基于所述权重矩阵以及所述第一拼接特征，获得加权后的特征；对所述第一拼接特征进行卷积处理，获得卷积后的特征；基于所述加权后的特征、卷积后的特征以及所述第一拼接特征，获得所述第一特征。5.根据权利要求4所述的方法，其特征在于，所述基于所述自注意力机制以及所述第一拼接特征，确定权重矩阵，包括：对所述第一拼接特征进行降维处理，获得降维后的第一拼接特征；对所述降维后的第一拼接特征利用预设第一卷积核进行卷积，获得第一卷积结果；对所述降维后的第一拼接特征利用预设第二卷积核进行卷积，获得第二卷积结果；将所述第一卷积结果和所述第二卷积结果的转置相乘后的结果利用所述自注意力机制，确定所述权重矩阵。6.根据权利要求5所述的方法，其特征在于，所述基于所述权重矩阵以及所述第一拼接特征，获得加权后的特征，包括：利用预设第三卷积核对所述降维后的第一拼接特征进行卷积，获得第三卷积结果；将所述权重矩阵和所述第三卷积结果相乘，获得加权矩阵；
将所述加权矩阵和预设第四卷积核进行卷积后的结果，与所述降维后的第一拼接特征的和值，确定为所述加权后的特征。7.根据权利要求4所述的方法，其特征在于，所述对所述第一拼接特征进行卷积进处理，获得卷积后的特征，包括：利用至少二个空洞卷积核分别对所述第一拼接特征进行卷积，获得各所述空洞卷积核对应的卷积结果；其中，至少二个所述空洞卷积核的空洞率不同；将各所述空洞卷积核对应的卷积结果进行拼接，获得所述卷积后的特征。8.根据权利要求4所述的方法，其特征在于，所述基于所述加权后的特征、卷积后的特征以...
【专利技术属性】
技术研发人员：李国球，蔡官熊，曾星宇，赵瑞，
申请(专利权)人：深圳市商汤科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。