一种基于伪异常视频帧选择的视频异常检测训练方法技术

本发明专利技术涉及视频异常检测技术领域，具体为一种基于伪异常视频帧选择的视频异常检测训练方法，包括步骤：初始化训练参数；从训练集中选取伪异常视频帧；以伪异常视频帧组成的训练池进行异常检测模型训练

【技术实现步骤摘要】
一种基于伪异常视频帧选择的视频异常检测训练方法


[0001]本专利技术涉及视频异常检测
，具体为一种基于伪异常视频帧选择的视频异常检测训练方法
。

技术介绍

[0002]随着数字信息化
、
智能化的发展，视频监控技术在智能安防
、
智能家居和交通监测等领域的应用越来越广泛
。
然而，监控视频往往画面相似
、
场景重复，其中有价值的视频帧和背景视频帧之间存在分布不平衡的问题
。
如何有效地从这样的数据中，寻找更具表现力的特征表示方法是目前视频异常检测领域的一大研究难点
。
[0003]针对这个问题，当下已经提出了基于视频帧重构
、
预测和打分的深度学习视频异常检测方法
。
但是这些方法都存在一定的局限性，如重构误差不够大
、
预测误差不稳定等
。
更重要的，在这些深度学习视频异常检测方法中，由于训练样本质量直接关系到模型表现，因此更需要关注训练数据集的冗余问题
。
但现有的视频异常检测任务中，鲜有人将研究重点放在异常检测训练数据的冗余问题上
。
视频异常检测的训练数据往往是一些监控视频，它们仅包含正常视频帧，这样的正常监控视频往往由大量相似视频帧和背景视频帧构成，数据冗余的问题尤为明显
。
以这样的全部视频帧来训练网络模型需要花费大量的时间，而且冗余的视频帧可能会使样本空间不平衡，造成所得模型对某些视频帧的“过学习”现象
。
[0004]因此，如何有效地解决训练数据冗余问题并提高模型在正常视频帧识别上的准确性是当前视频异常检测领域的一个核心问题
。

技术实现思路

[0005]本专利技术的技术问题在于如何有效地解决训练数据冗余问题并提高模型在正常视频帧识别上的准确性
。
[0006]本专利技术提供的基础方案：一种基于伪异常视频帧选择的视频异常检测训练方法，包括步骤：
[0007]S1
：初始化训练参数；
[0008]S2
：从训练集中选取伪异常视频帧；
[0009]S3
：以伪异常视频帧组成的训练池进行异常检测模型训练
。
[0010]进一步，所述伪异常视频帧的选取包括步骤：
[0011]评估视频帧重构或预测的质量
[0012][0013]式中，表示预测帧，
I
t
表示真实帧，
N
表示视频帧中的像素点总个数，值越低，表示视频帧重构或预测的质量越差，该视频帧为异常帧的可能性越大；
[0014]将归一化到
[0,1]，获取异常分数
S(t)
：
[0015][0016]将每次候选池中，异常分数
S(t)
最高的
k
个视频帧作为伪异常视频帧
。
[0017]进一步，所述
S1
中的训练参数包括：伪异常视频帧选择数量
k、
训练池
D
的最大容量
K
以及预选池大小
B。
[0018]进一步，所述
S2
包括步骤：
[0019]S201
：第一轮选取伪异常视频帧时，从训练集中随机选取
k
数量的视频帧加入到训练池
D
；
[0020]S202
：后续选取伪异常视频帧的训练中，先从训练集中选取
B
数量的视频帧作为预选池，然后选取
k
数量的伪异常视频帧加入到训练池
D。
[0021]进一步，所述
S3
中包括步骤：
[0022]以伪异常视频帧组成的训练池
D
作为输入数据对异常检测模型进行迭代训练，直至训练池
D
的大小达到停止条件
K。
[0023]进一步，所述
k
设置为训练数据集总视频帧数量的1％，所述
K
设置为训练数据集总视频帧数量的
20
％，所述预选池大小
B
设置为训练数据集总视频帧数量的
20
％
。
[0024]本专利技术的原理及优点在于：针对视频异常检测数据集冗余度高的特点，本专利技术提出了伪异常视频帧选择驱动学习的训练框架，从原始训练集中迭代地选取部分异常分数高的正常视频帧
(
称为伪异常帧
)
来构成新的训练池，用所选训练池优化模型，以精简训练集
。
在训练数据集大小上，与传统方法相比，本专利技术在原始训练集的基础上进行了视频帧选取，数据集更加精简，从而能够更加快速地训练模型
。
在精度方面，本专利技术所选取的
top
‑
k
伪异常视频帧往往是画面
、
人物复杂的视频帧，通过对这些视频帧的学习，能够提高正常视频帧和异常视频帧的区分度，从而能够保证在缩减训练数据集大小的同时，保持较好的视频异常检测精度
。
附图说明
[0025]图1为本专利技术一种基于伪异常视频帧的视频异常检测训练方法实施例的步骤流程图
。
[0026]图2为本专利技术一种基于伪异常视频帧的视频异常检测训练方法实施例的训练流程图
。
[0027]图3为本专利技术一种基于伪异常视频帧的视频异常检测训练方法实施例的方法对比图
。
具体实施方式
[0028]下面通过具体实施方式进一步详细说明：
[0029]具体实施过程如下：
[0030]实施例一
[0031]实施例一基本如附图1所示，一种基于伪异常视频帧的视频异常检测训练方法，包括步骤：
[0032]S1
：初始化训练参数；
[0033]S2
：从训练集中选取伪异常视频帧；
[0034]S3
：以伪异常视频帧组成的训练池进行异常检测模型训练
。
[0035]本实施例中，
S1
中初始化训练参数包括了初始化本方案的关键参数伪异常视频帧选择数量
k、
训练池
D
的最大容量
K
以及预选池大小
B。
本实施例中的
k
设置为训练数据集总视频帧数量的1％，
K
设置为训练数据集总视频帧数量的
20
％，预选池大小
B
设置为训练数据集总视频帧数量的
20
％，在其它实施例中也可根据具体情况进行设置
。
[0036]S2
从训练集中选取伪异常视频帧包括步骤：
[0037]S201
：第一轮选取伪异常视频帧时，从训练集中随机选取
k
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于伪异常视频帧选择的视频异常检测训练方法，其特征在于，包括步骤：
S1
：初始化训练参数；
S2
：从训练集中选取伪异常视频帧；
S3
：以伪异常视频帧组成的训练池进行异常检测模型训练
。2.
根据权利要求1所述的一种基于伪异常视频帧选择的视频异常检测训练方法，其特征在于，所述伪异常视频帧的选取包括步骤：评估视频帧重构或预测的质量评估视频帧重构或预测的质量式中，表示预测帧，
I
t
表示真实帧，
N
表示视频帧中的像素点总个数，值越低，表示视频帧重构或预测的质量越差，该视频帧为异常帧的可能性越大；将归一化到
[0,1]
，获取异常分数
S(t)
：将每次候选池中，异常分数
S(t)
最高的
k
个视频帧作为伪异常视频帧
。3.
根据权利要求2所述的一种基于伪异常视频帧选择的视频异常检测训练方法，其特征在于，所述
S1
中的训练参数包括：伪异常视频帧选择数量
k、
训练池
D
的最大容量
K
以及预选池大小
B。4.
...

【专利技术属性】
技术研发人员：赵松，
申请(专利权)人：重庆位图信息技术有限公司，
类型：发明
国别省市：