一种视频异常检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种视频异常检测方法、装置、电子设备和存储介质。该方法包括：接收拍摄设备发送的目标视频；将目标视频输入至预先训练好的元学习模型，得到目标视频的目标输出信息；当基于目标输出信息确定出目标视频存在异常事件时，基于异常事件生成提示信息，并将提示信息发送给用户。本发明专利技术实施例的方法可以利用预先训练好的元学习模型，快速准确的判断出目标视频中是否存在异常事件，提高了视频异常检测结果的准确率。当目标视频存在异常事件时，可以及时提醒用户目标视频存在异常事件，提高了用户体验。提高了用户体验。提高了用户体验。

【技术实现步骤摘要】
一种视频异常检测方法、装置、电子设备和存储介质


[0001]本专利技术实施例涉及计算机视觉领域，尤其涉及一种视频异常检测方法、装置、电子设备和存储介质。

技术介绍

[0002]视频异常行为检测是计算机视觉领域的一个重要技术，在人们的日常生活中也得到了广泛的应用。视频异常行为检测可以让计算机对监控视频等进行智能检测，检测出实时的视频数据中是否存在异常。
[0003]现有的视频异常检测方法的基本思路是利用卷积神经网络作为编码和解码两个模块，以重建损失作为损失函数，并在正常样本训练集上学习得到模型参数。由于这种方法的模型是基于正常样本训练得出的，导致其不能适用于各种场景下的视频异常检测，在面对多场景的视频异常检测时得到的结果不够准确。

技术实现思路

[0004]本专利技术提供一种视频异常检测方法、装置、电子设备和存储介质，能够利用基于元学习的模型对视频进行异常检测，提高了视频异常检测结果的准确率与视频异常检测方法的包容性。
[0005]第一方面，本专利技术实施例提供了一种视频异常检测方法，所述方法包括：
[0006]接收拍摄设备发送的目标视频；
[0007]将所述目标视频输入至预先训练好的元学习模型，得到所述目标视频的目标输出信息；
[0008]当基于所述目标输出信息确定出所述目标视频存在异常事件时，基于所述异常事件生成提示信息，并将所述提示信息发送给用户。
[0009]第二方面，本专利技术实施例还提供了一种视频异常检测装置，所述装置包括：
[0010]接收模块，用于接收拍摄设备发送的目标视频；
[0011]输入模块，用于将所述目标视频输入至预先训练好的元学习模型，得到所述目标视频的目标输出信息；
[0012]提示模块，用于当基于所述目标输出信息确定出所述目标视频存在异常事件时，基于所述异常事件生成提示信息，并将所述提示信息发送给用户。
[0013]第三方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序；
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例提供的视频异常检测方法。
[0017]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例提供的视频异常检测方法。
[0018]本专利技术实施例中，接收拍摄设备发送的目标视频；将目标视频输入至预先训练好的元学习模型，得到目标视频的目标输出信息；当基于目标输出信息确定出目标视频存在异常事件时，基于异常事件生成提示信息，并将提示信息发送给用户。即本专利技术实施例中，可以利用预先训练好的元学习模型，判断出目标视频中是否存在异常事件，提高了视频异常检测结果的准确率与视频异常检测方法的包容性。当目标视频存在异常事件时，可以及时提醒用户目标视频存在异常事件，提高了用户体验。
附图说明
[0019]图1是本专利技术实施例提供的视频异常检测方法的流程图；
[0020]图2是本专利技术实施例提供的元学习模型的训练方法的流程图；
[0021]图3是本专利技术实施例提供的视频异常检测装置的结构示意图；
[0022]图4是本专利技术实施例提供的电子设备的一个结构示意图。
具体实施方式
[0023]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0024]图1是本专利技术实施例提供的视频异常检测方法的流程图，本实施例的方法能够利用基于元学习的模型对视频进行异常检测，提高了视频异常检测结果的准确率与视频异常检测方法的包容性。该方法可以由本专利技术实施例中的视频异常检测装置来执行，该装置可集成在电子设备中，所述电子设备可以是服务器，该方法可以采用软件和/或硬件的方式实现。本实施例提供的视频异常检测方法具体包括如下步骤：
[0025]步骤101、接收拍摄设备发送的目标视频。
[0026]其中，目标视频是由拍摄设备发送的，需要对其进行视频异常检测的视频。视频异常检测是计算机视觉场景分析领域中的一种特定任务，根据视频片段中的视觉内容对视频中可能存在的异常事件进行检测。异常事件是和正常事件表现不同的事件，即在训练过程中不存在的事件。拍摄设备可以是监控摄像头等设备。在实际应用中，当需要了解到目标视频中是否存在异常事件时，拍摄设备可以将拍摄到的目标视频实时发送给服务器，服务器可以接收到拍摄设备发送的目标视频。
[0027]步骤102、将目标视频输入至预先训练好的元学习模型，得到目标视频的目标输出信息。
[0028]其中，元学习是一种深度学习的模型训练方法。深度学习是一种把原始信息通过多层网络进行处理，学习数据的内在规律和表示层次的方法。深度学习过程中获得的信息对文字，图像和声音等一些数据的解释有很大的帮助。深度学习可以让机器像人一样具有分析学习能力。基于元学习的模型训练方法可以在初始化参数之后，通过多个任务对模型进行训练，让模型在新任务上有尽可能好的表现。元学习的模型训练方法可以通过一次或少次的梯度更新，从少量的数据中学习适应新场景。元学习模型是基于元学习进行训练的，用于确定目标视频是否存在异常事件的模型。目标输出信息是元学习模型基于目标视频输出的信息。本方案实施例中，可选的，训练元学习模型包括如下步骤A1
‑
步骤A2：
[0029]步骤A1：若元学习模型不满足预先设置的收敛条件，则在场景视频样本库中提取一个样本作为当前样本。
[0030]其中，收敛条件是根据实验环境和具体需求预先设置的条件。场景视频样本库中包括至少一个场景的视频。场景视频样本库中存储着多个场景的视频。场景视频样本库中的每个样本都包括一组连续视频帧。当元学习模型达到收敛条件时，表示元学习模型可以用于检测目标视频中是否存在异常事件。当元学习模型不满足收敛条件时，表示元学习模型还需要通过训练继续优化，直到元学习模型满足预设的收敛条件。
[0031]步骤A2：使用当前样本对元学习模型进行训练，重复执行上述操作，直到元学习模型满足收敛条件。
[0032]其中，当前样本是从场景视频样本库中随机选取出的一个样本。样本标签是理想状态下的，当前样本对应的连续视频帧。具体地，在获取到场景视频样本库后，从场景视频样本库中提取出一组连续视频帧作为当前样本，从场景视频样本库中确定出当前样本的下一组连续视频帧作为样本标签。将当前样本输入至还未训练的元学习模型，得到元学习模型在接收到样本标签对应的连续视频帧后，经过计算和学习后输出的该连续视频帧的下一组连续视频帧。根据元学习模型输出的连续视频帧和样本标签计算损失函数，再根据损失函数的计算结果调整元学习模型的模型参数，直到元学习模型满足收敛条件。
[0033]自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频异常检测方法，其特征在于，所述方法包括：接收拍摄设备发送的目标视频；将所述目标视频输入至预先训练好的元学习模型，得到所述目标视频的目标输出信息；当基于所述目标输出信息确定出所述目标视频存在异常事件时，基于所述异常事件生成提示信息，并将所述提示信息发送给用户。2.根据权利要求1所述的方法，其特征在于，在所述接收拍摄设备发送的目标视频之前，所述方法还包括：若所述元学习模型不满足预先设置的收敛条件，则在场景视频样本库中提取一个样本作为当前样本；其中，所述场景视频样本库中包括至少一个场景的视频；使用所述当前样本对所述元学习模型进行训练，重复执行上述操作，直到所述元学习模型满足所述收敛条件。3.根据权利要求2所述的方法，其特征在于，使用所述当前样本对所述元学习模型进行训练，包括：确定所述当前样本对应的样本标签；将所述当前样本输入至所述元学习模型，得到所述元学习模型的输出信息；基于所述元学习模型的输出信息和所述样本标签计算所述元学习模型的损失函数，并基于所述损失函数对所述元学习模型中的模型参数进行调整。4.根据权利要求3所述的方法，其特征在于，所述确定所述当前样本对应的样本标签，包括：从所述场景视频样本库中选取一组连续视频帧作为当前样本；将所述当前样本的下一组连续视频帧确定为所述当前样本对应的样本标签；其中，所述样本标签的连续视频的时长小于所述当前样本的连续视频的时长。5.根据权利要求4所述的方法，其特征在于，基于所述将所述当前样本输入至所述元学习模型，得到所述元学习模型...

【专利技术属性】
技术研发人员：陈澄，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：