【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 ...
【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:
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。