一种异常行为检测方法、装置及计算机存储介质制造方法及图纸

本申请提供了一种异常行为检测方法、装置及计算机存储介质，该方法包括：确定待检测图像中的至少一个待检测目标；基于包含待检测图像的视频序列，对至少一个待检测目标进行特征学习，得到至少一个待检测目标各自的综合特征向量；综合特征向量表示待检测目标的外观特征和运动特征组合的特征向量；利用预设分类模型对至少一个待检测目标各自的综合特征向量进行分类计算，得到至少一个待检测目标各自的异常分数；根据至少一个待检测目标各自的异常分数，从至少一个待检测目标中确定待检测图像的异常目标。这样，利用预设分类模型来确定待检测图像中的异常目标，无需依赖异常事件的先验信息，提高了异常行为检测的准确率。提高了异常行为检测的准确率。提高了异常行为检测的准确率。

【技术实现步骤摘要】
一种异常行为检测方法、装置及计算机存储介质


[0001]本申请涉及图像处理
，尤其涉及一种异常行为检测方法、装置及计算机存储介质。

技术介绍

[0002]异常行为检测技术是计算机视觉和模式识别的一个分支，目前已被广泛应用于智能视频监控技术中。异常行为检测技术对于提升公共场所管制水平、构建社会治理体制具有重要意义，而且能够明显减少对人力资本的消耗。
[0003]在相关技术中，异常行为检测算法的原理包括以下几种类型：基于社会力建模、基于局部运动聚类和基于时空纹理建模。然而，这些异常行为检测算法都需要根据异常事件的先验信息来提取异常特征，然后当判断到视频序列中出现异常特征时进行报警。但是，由于异常事件种类多样，实际应用中异常事件的先验信息相对缺乏，导致异常行为检测算法的准确率不高。

技术实现思路

[0004]本申请提供了一种异常行为检测方法、装置及计算机存储介质，利用预设分类模型来确定待检测图像中的异常目标，无需依赖异常事件的先验信息，提高了异常行为检测的准确率。
[0005]本申请的技术方案是这样实现的：
[0006]第一方面，本申请实施例提供了一种异常行为检测方法，该方法包括：
[0007]确定待检测图像中的至少一个待检测目标；
[0008]基于包含所述待检测图像的视频序列，对所述至少一个待检测目标进行特征学习，得到所述至少一个待检测目标各自的综合特征向量；其中，所述综合特征向量表示所述待检测目标的外观特征和运动特征组合的特征向量；
[0009]利用预设分类模型对所述至少一个待检测目标各自的综合特征向量进行分类计算，得到所述至少一个待检测目标各自的异常分数；
[0010]根据所述至少一个待检测目标各自的异常分数，从所述至少一个待检测目标中确定所述待检测图像的异常目标。
[0011]第二方面，本申请实施例提供了一种异常行为检测装置，该异常行为检测装置包括获取单元、特征单元、计算单元和检测单元，其中，
[0012]获取单元，配置为确定待检测图像中的至少一个待检测目标；
[0013]特征单元，配置为基于包含所述待检测图像的视频序列，对所述至少一个待检测目标进行特征学习，得到所述至少一个待检测目标各自的综合特征向量；其中，所述综合特征向量表示所述待检测目标的外观特征和运动特征组合的特征向量；
[0014]计算单元，配置为利用预设分类模型对所述至少一个待检测目标各自的综合特征向量进行分类计算，得到所述至少一个待检测目标各自的异常分数；
[0015]检测单元，配置为根据所述至少一个待检测目标各自的异常分数，从所述至少一个待检测目标中确定所述待检测图像的异常目标。
[0016]第三方面，本申请实施例提供了一种异常行为检测装置，该异常行为检测装置包括存储器和处理器；其中，
[0017]所述存储器，用于存储能够在所述处理器上运行的计算机程序；
[0018]所述处理器，用于在运行所述计算机程序时，执行如第一方面所述方法的步骤。
[0019]第四方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质存储有异常行为检测程序，该异常行为检测程序被至少一个处理器执行时实现如第一方面所述方法的步骤。
[0020]本申请实施例提供了一种异常行为检测方法、装置及计算机存储介质，确定待检测图像中的至少一个待检测目标；基于包含所述待检测图像的视频序列，对所述至少一个待检测目标进行特征学习，得到所述至少一个待检测目标各自的综合特征向量；其中，所述综合特征向量表示所述待检测目标的外观特征和运动特征组合的特征向量；利用预设分类模型对所述至少一个待检测目标各自的综合特征向量进行分类计算，得到所述至少一个待检测目标各自的异常分数；根据所述至少一个待检测目标各自的异常分数，从所述至少一个待检测目标中确定所述待检测图像的异常目标。这样，在待检测图像中确定多个待检测目标，以待检测目标为对象进行特征提取和后续的异常行为检测，提高了异常行为检测的速度；另外，利用预设分类模型来确定待检测图像中的异常目标，无需依赖异常事件的先验信息，提高了异常行为检测的准确率。
附图说明
[0021]图1为本申请实施例提供的一种异常行为检测方法的流程示意图；
[0022]图2为本申请实施例提供的另一种异常行为检测方法的流程示意图；
[0023]图3为本申请实施例提供的一种异常行为检测装置的组成结构示意图；
[0024]图4为本申请实施例提供的另一种异常行为检测装置的组成结构示意图；
[0025]图5为本申请实施例提供的再一种异常行为检测装置的组成结构示意图；
[0026]图6为本申请实施例提供的一种异常行为检测装置的硬件结构示意图；
[0027]图7为本申请实施例提供的一种异常行为检测系统的组成结构示意图。
具体实施方式
[0028]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0029]视频序列中的异常行为检测(或称为异常事件检测)是计算机视觉和模式识别的一个分支，目前已被广泛应用智能视频监控技术应用中，通过计算机视觉能够极大地减少对人力资本的消耗，具有重要的现实意义。同时，异常行为检测对于提升公共场所管制水平、创新社会治理体制同样具有重要意义，是安防近年来预防和打击暴力恐怖事件，维护社会稳定和安全的主要防治措施。异常行为检测需要对输入的视频序列进行行为理解分析，然后自行检测跟踪、分类判断是否有可疑的行人车辆突然冲入人群，例如火车站无故徘徊、行人急速奔跑、相互斗殴等异常举动。随着视频监控的需求日趋多样，理解与识别各种各样
的行为是异常行为检测算法进一步深入行业应用中必须解决的问题。只有把研究的算法与多种实际应用相结合，才能满足用户日趋增长的需求，未来智能视频分析技术的市场价值才可以体现出来。
[0030]在相关技术中，主要的异常行为检测方法有以下几类：(1)基于社会力模型：对人际网络中的人际空间的受力情况进行建模，通过对每帧图像用网格分割的方法进行网络粒子采集，对正常视频进行训练，计算社会交互作用力，根据均值滤波设定的阈值判定正常和异常行为；(2)基于局部运动聚类：利用光流原理得到微观运动信息，将相对距离和速度相差较小的类别并为一组，实现微观层次到介观的转化，根据介观模型中速度场的速度大小可以对正常或异常特征行为进行分类，当图像坐标系与速度场中的坐标系相对应时，聚类中心出现在异常区域并停留很长时间，被判定为异常行为；(3)基于时空纹理建模：通过对人群区域的检测后提取人群时空卷积片，经过标准化和小波变化之后对时空纹理特征进行重建并统计分析，和正常实例的建模一样，异常行为检测也是经过标准化和小波变换的时空纹理特征建模，通过和正常特征统计的结果进行比较从而区分出异常的行为。
[0031]对于相关技术中的异常行为检测方法，仍然存在以下缺点：
[0032](1)对于输入的视频序列，无法在不同环境下实现稳定、可靠的前景目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常行为检测方法，其特征在于，所述方法包括：确定待检测图像中的至少一个待检测目标；基于包含所述待检测图像的视频序列，对所述至少一个待检测目标进行特征学习，得到所述至少一个待检测目标各自的综合特征向量；其中，所述综合特征向量表示所述待检测目标的外观特征和运动特征组合的特征向量；利用预设分类模型对所述至少一个待检测目标各自的综合特征向量进行分类计算，得到所述至少一个待检测目标各自的异常分数；根据所述至少一个待检测目标各自的异常分数，从所述至少一个待检测目标中确定所述待检测图像的异常目标。2.根据权利要求1所述的异常行为检测方法，其特征在于，所述确定待检测图像中的至少一个待检测目标，包括：利用预设检测模型对所述待检测图像进行目标检测，得到至少一组边界框；利用所述至少一组边界框对所述待检测图像进行切割，得到所述至少一个待检测目标。3.根据权利要求1所述的异常行为检测方法，其特征在于，所述视频序列包括第t帧图像、第(t
‑
n)帧图像和第(t+n)帧图像；其中，所述第t帧图像表示所述待检测图像，n为大于0的整数，t为大于或等于n的整数；所述对所述至少一个待检测目标进行特征学习，得到所述至少一个待检测目标各自的综合特征向量，包括：利用第一特征模型对所述第t帧图像进行外观特征学习，得到所述至少一个待检测目标各自的外观特征向量；利用第二特征模型对根据所述第t帧图像和所述第(t
‑
n)帧图像进行运动特征学习，得到所述至少一个待检测目标各自的第一运动特征向量；利用第三特征模型对所述第t帧图像和所述第(t+n)帧图像进行运动特征学习，得到所述至少一个待检测目标各自的第二运动特征向量；将所述至少一个待检测目标各自的外观特征向量、所述至少一个待检测目标各自的第一运动特征向量和所述至少一个待检测目标各自的第二运动特征向量进行组合，得到所述至少一个待检测目标各自的综合特征向量。4.根据权利要求3所述的异常行为检测方法，其特征在于，所述第一特征模型为外观卷积自编码器，所述第二特征模型为第一运动卷积自编码器，所述第三特征模型为第二运动卷积自编码器。5.根据权利要求1所述的异常行为检测方法，其特征在于，所述预设分类模型包括k个分类子模型，k为正整数；所述方法还包括：获取预设样本集合；其中，所述预设样本集合中包括多个综合特征向量；对所述预设样本集合中的多个综合特征向量进行聚类分析，得到k个分类样本簇；基于...

【专利技术属性】
技术研发人员：金栋梁，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：