基于对抗网络模型的视频异常事件检测方法及系统技术方案

本发明专利技术提供了一种基于对抗网络模型的视频异常事件检测方法及系统，包括如下步骤：模型建立步骤：建立重建帧生成对抗网络模型；检测步骤：对待检视频数据进行处理，将处理后的待检视频数据输入到建立好的重建帧生成对抗网络模型中，得到重建帧，对重建帧进行判断，获取检测结果。本发明专利技术将视频运动特征转化为运动梯度，并通过运动梯度嵌入的方式实现时空信息融合，能在单张图片上结合运动特征和外表特征，解决了视频训练输入冗余，计算量大的问题，网络训练参数减少，检测准确性也很优异。检测准确性也很优异。检测准确性也很优异。

【技术实现步骤摘要】
基于对抗网络模型的视频异常事件检测方法及系统


[0001]本专利技术涉及异常事件检测的
，具体地，涉及一种基于对抗网络模型的视频异常事件检测方法及系统。尤其是，优选的涉及一种基于帧梯度嵌入和生成对抗网络模型的视频异常事件检测方法。

技术介绍

[0002]近些年来，随着公共场合视频监控系统大规模使用，大量的监控视频数据随之产生。监控系统的作用是对监控场景下的异常事件进行有效检测，然而现实世界中异常事件出现较少，并且在不同场景下定义不同，仅靠人工对视频中的异常事件进行筛选和检测变得愈发困难。因此需要靠计算机视觉的方法对监控视频进行分析，这对于社会稳定与智能安防具有重大意义。
[0003]传统的异常事件检测主要使用手工特征，如运动轨迹特征，光流矢量特征，时空体积特征，局部二值化特征等。此类方法虽然可以取得较高的检测准确率，但是误检率较高，容易将普通的行为误判为异常行为。近年来机遇深度学习的方法具有高效且泛化性好的特点，神经网络的出现推动了异常行为检测技术的飞速发展，不需要构造复杂的手工特征，神经网络可以通过构造一层一层的网络，形成一个端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗网络模型的视频异常事件检测方法，其特征在于，包括如下步骤：模型建立步骤：建立重建帧生成对抗网络模型；检测步骤：对待检视频数据进行处理，将处理后的待检视频数据输入到建立好的重建帧生成对抗网络模型中，得到重建帧，对重建帧进行判断，获取检测结果。2.根据权利要求1所述的基于对抗网络模型的视频异常事件检测方法，其特征在于，所述检测步骤包括如下步骤：原始帧获取步骤：对待检视频数据进行处理，获得原始待检帧；嵌入帧获取步骤：对原始待检帧进行处理，获得梯度嵌入帧；帧输入模型步骤：将原始待检帧对应的梯度嵌入帧输入建立好的重建帧生成对抗网络模型中，得到重建帧；待检帧对比步骤：将原始待检帧和原始待检帧对应的重建帧进行对比，得到检测结果。3.根据权利要求2所述的基于对抗网络模型的视频异常事件检测方法，其特征在于，所述原始帧获取步骤包括如下步骤：读取步骤：从视频数据库中读取待检视频数据；解帧步骤：将待检视频数据解帧成图片帧流，得到待检视频数据对应的图片帧流中的每个原始待检帧。4.根据权利要求2所述的基于对抗网络模型的视频异常事件检测方法，其特征在于，所述嵌入帧获取步骤包括如下步骤：背景画面获取步骤：根据原始待检帧中的场景ID对原始待检帧进行分组，相同场景ID的原始待检帧分在一组，并将相同场景ID的所有原始待检帧进行加和并平均获得背景画面；前景画面获取步骤：将原始待检帧和原始待检帧对应的背景画面进行相减，获得前景画面；运动梯度获取步骤：对原始待检帧对应的前景画面进行处理，获得前向运动梯度和后向运动梯度；梯度嵌入帧获取步骤：将原始待检帧、原始待检帧对应的前向运动梯度和原始待检帧对应的后向运动梯度相加，获得原始待检帧对应的梯度嵌入帧。5.根据权利要求4所述的基于对抗网络模型的视频异常事件检测方法，其特征在于，所述运动梯度获取步骤包括如下步骤：前景选取步骤：选取原始待检帧对应的前景画面、距离原始待检帧对应的前景画面向前一定间隔的前景画面，以及距离原始待检帧对应的前景画面向后一定间隔的前景画面；前向运动梯度获取步骤：将原始待检帧对应的前景画面，和距离原始待检帧对应的前景画面向前一...

【专利技术属性】
技术研发人员：孙锬锋，喻守彬，许可，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：