【技术实现步骤摘要】
一种基于无监督域自适应的异常事件检测算法
[0001]本专利技术涉及监控视频中异常事件检测技术，尤其涉及一种基于无监督域自适应的异常事件检测算法。
技术介绍
[0002]监控视频中异常事件检测技术的持续发展和广泛应用，对推动智慧监控发展发挥着重要的作用。近年来，基于深度学习的监控视频中异常事件检测算法在提升模型检测性能上取得了较好的进展。因为有监督异常事件检测算法通常依赖大量的标签数据，在训练网络模型前，需要对视频的每帧图像进行人工标注；而且收集到的数据往往存在类别不平衡的问题，导致异常事件检测效果较差。无监督异常事件检测算法不需要对数据进行标注，通过学习大量正常事件的特征表示，将不符合正常事件特征分布规律的数据判别为异常事件，节省了大量的人工标注成本。由于基于无监督学习的异常事件检测算法仅使用正常样本进行训练，缺乏异常事件的先验信息，进而导致正常事件和异常事件判别界限不清晰，容易产生误检。此外，还存在一个问题就是现有的监控视频中异常事件检测算法缺乏场景适用性，在一个场景表现良好，在其它场景却表现一般。
[0003]...
【技术保护点】
【技术特征摘要】
1.一种基于无监督域自适应的异常事件检测算法，其特征是，包括以下步骤：步骤1)在UCSD数据集和ShanghaiTech Campus数据集上进行实验验证；使用ShanghaiTech Campus数据集作为源域数据，使用UCSD Ped1数据集和UCSD Ped2数据集分别作为目标域数据进行实验；步骤2)构建基于无监督域自适应的异常事件检测算法：该模型包含预训练模块和域自适应模块；预训练模块对源域数据进行有监督训练，对输入视频帧进行重构时，仅使用了正常样本来训练重构网络；在预训练阶段，采用有监督学习的方式，将重构视频帧、正常样本、异常样本输入特征提取网络提取相应的特征，通过缩小重构视频帧特征与正常样本特征之间的距离，扩大重构视频帧特征与异常样本特征之间的距离，从而可以促进视频帧重构网络对正常样本的重构，抑制视频帧重构网络对异常样本的重构，明确源域正常事件与异常事件的判别界限；步骤3)对基于无监督域自适应的异常事件检测算法模型进行迭代训练：在预训练模块采用损失函数L＝λ
res
L
res
+λ
per
L
per
进行反向传播，更新重构网络权值参数；目标域中的视频帧重构网络采用损失函数L
rec
进行反向传播，更新域判别器和视频帧重构网络参数；步骤4)获取基于无监督域自适应的异常事件检测模型检测结果：将测试样本集作为训练好的基于无监督域自适应的异常事件检测模型的输入进行前向推理，得到每个测试样本的检测结果。2.根据权利要求1所述的一种基于无监督域自适应的异常事件检测算法，其特征是，所述步骤1)中源域数据是和目标域数据具有不同场景或环境条件的数据，且源域数据集的训练集中既包含正常事件视频帧，又包含异常事件视频帧，是有标签的,而目标域数据集的训练集中只包含正常事件视频帧，是没有标签的。3.根据权利要求1所述的一种基于无监督域自适应的异常事件检测算法，其特征是，所述步骤2)中基于无监督域自适应的异常事件检测算法采用Pytorch中的VGG19预训练模型作为特征提取网络，将重构视频帧、正常样本、异常样本输入该网络中，分别提取其所对应的第4层、第9层、第14层、第23层和第32层的不同尺度的特征，提出一种感知对比损失，通过缩小重构视频帧特征与正常样本特征在对应尺度之间的距离，扩大重构视频帧特征与异常样本特征在对应尺度之间的距离，从而可以促进视频帧重构网络对正常样本的重构，抑制视频帧重构网络对异常样本的重构，明确源域正常事件与异常事件的判别界限；所述感知对比损失函数公式如下所示：其中，C
i
，H
i
，W
i
分别表示第i项所对应的特征图的通道数，高度和宽度，I
p
表示正常样本，I
n
表示异常样本，I
r
表示重构视频帧，f
i
(
·
)表示将视频帧输入特征提取网络所获得的第i项特征图；通过感知对比损失的约束，使得重构视频帧不论是在纹理细节上，还是在语义信息上，都与正常样本更加相似，而与异常样本差异更大；所以，在预训练模块中，总损失函数公式如下所示：L＝λ
res
L
res
+λ
per
L
per
其中，λ
res
，λ
per
分别表示MSE损失函数和感知对比损失函数的权...
【专利技术属性】
技术研发人员：李璐，路文，伍凌帆，
申请(专利权)人：苏州海裕鸿智能科技有限公司，
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。