【技术实现步骤摘要】
本专利技术涉及行人异常，更具体的说是涉及一种面向监控场景的行人异常事件检测方法和系统。
技术介绍
1、监控摄像无处不在，如何自动查找监控视频数据中的异常部分并标记，以避免人工监控，是当前主要研究方向。
2、目前，面向监控场景的行人异常事件的检测主要基于规则，或基于深度学习算法，但无论哪种方法，在实际应用中，都存在各自的局限性，主要表现为：
3、1）异常覆盖范围有限；基于规则的方法主要依赖于预设的规则或行为模式，当检测到的行为违反这些规则时，系统就会认为这是一种异常行为。基于监督学习模式的方法只能检测标注数据中已定义的异常类别，这两种检测方式对于新型、复杂或未知的异常行为都无法进行覆盖识别；
4、2）数据标注需求量大；数据驱动的神经网络依赖于大量的人工标注数据。一方面数据的标注需要大量的人工投入，另一方面，对于许多复杂的情况，比如在一些高
或特定的领域，非专家可能难以进行准确的标注。同时，数据的标注也需要大量的时间，这对于那些需要快速响应的场合显然是不合适的。而且，对于一些罕见的异常情况，由于其发生的概率较低，很难获得足够数量的样本进行标注，这也会影响模型的训练和性能；
5、3）应用场景可迁移性差，当前异常检测方法多数情况下只能专注于特定的应用场景，由于每一个应用场景都有其独特的特性，包括数据分布、异常行为的定义和特征等，使得一个在某一场景下表现良好的模型在迁移到其他场景时可能无法获得满意的结果。
6、基于上述缺陷与不足，急需开展进一步研究，以研发可以提高异常覆盖范
技术实现思路
1、有鉴于此，为至少部分解决上述技术问题，本专利技术提供了一种面向监控场景的行人异常事件检测方法和系统。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一方面，本专利技术公开了一种面向监控场景的行人异常事件检测方法，其特征在于，包括如下步骤：
4、识别监控场景中的行人，构建行人特征，
5、根据监控场景，构建时空与或图，将所述行人特征挂载至时空与或图中对应的节点；
6、对时空与或图中的节点特征进行学习，构建单个时间步内行人的字典向量；
7、根据所述字典向量，对行人的异常时事件进行判别。
8、另一方面，本专利技术还公开了一种面向监控场景的行人异常事件检测系统，其特征在于，包括学习模块和异常检测模块，
9、所述学习模块，用于识别监控场景中的行人，构建行人特征，根据监控场景，构建时空与或图，将所述行人特征挂载至时空与或图中对应的节点；以及对时空与或图中的节点特征进行学习，构建单个时间步内行人的字典向量；
10、所述异常检测模块，用于根据所述字典向量，对行人的异常事件进行判别。
11、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种面向监控场景的行人异常事件检测方法和系统，通过学习正常模式的概率分布，可以对未知的异常进行有效的检测；
12、并利用开源数据资源训练的模型对于目标进行跟踪，有效降低了对手动标注数据的依赖，减少数据标注的人力和时间成本；
13、另外，通过时空与或图，可捕获实体以及实体间复杂的关系，同时描绘实体和关系随时间的演变，可广泛适用于各种场景。
14、本专利技术的另一有益效果在于，
15、通过高斯混合模型和马尔科夫链，有效处理了动态过程和数据分布问题，提高了检测方法的适应性和准确性；且只需少量标注数据以确定异常阈值，可进一步降低标注数据的需求，同时，即使标注数据稀缺，仍能通过对无标注数据的学习，挖掘出数据的内在规律，从而达到良好的建模效果；
16、同时，基于st-aog、马尔科夫链、高斯混合模型等，本方案在异常检测上能够覆盖更广泛的范围，包括未知的异常情况，提升了异常检测的全面性。
17、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
18、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种面向监控场景的行人异常事件检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，利用在开源数据集上训练的目标检测与跟踪算法对监控场景中的行人进行识别。
3.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，行人特征包括属性特征、时序特征以及关系特征。
4.根据权利要求3所述的一种面向监控场景的行人异常事件检测方法，其特征在于，所述属性特征包含行人的人脸ID、骨骼点、大小、颜色、形状、动向、位置，和/或mask信息；
5.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，时空与或图中，第一级节点为场景，第二级节点为监控图像中的区域，第三级节点为处于各区域下的行人。
6.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，所述字典向量包括单个时间步内的位置概率、动向概率、包含关系概率，动向从第一时刻跳转到第二时刻的概率，以及包含关系从第一时刻跳转到第二时刻的概率；其中
7.根据权利要
8.一种面向监控场景的行人异常事件检测系统，其特征在于，包括学习模块和异常检测模块，
9.根据权利要求8所述的一种面向监控场景的行人异常事件检测系统，其特征在于，所述学习模块包括，
10.根据权利要求9所述的一种面向监控场景的行人异常事件检测系统，其特征在于，对时空与或图中的节点特征进行学习，包括采用高斯混合模型学习属性特征和关系特征中的分布，并通过直方图得到单个时间步内的位置概率、动向概率、包含关系概率；以及，
...【技术特征摘要】
1.一种面向监控场景的行人异常事件检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，利用在开源数据集上训练的目标检测与跟踪算法对监控场景中的行人进行识别。
3.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，行人特征包括属性特征、时序特征以及关系特征。
4.根据权利要求3所述的一种面向监控场景的行人异常事件检测方法，其特征在于，所述属性特征包含行人的人脸id、骨骼点、大小、颜色、形状、动向、位置，和/或mask信息；
5.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在于，时空与或图中，第一级节点为场景，第二级节点为监控图像中的区域，第三级节点为处于各区域下的行人。
6.根据权利要求1所述的一种面向监控场景的行人异常事件检测方法，其特征在...
【专利技术属性】
技术研发人员：陈崇雨，曾翔钰，董乐，
申请(专利权)人：暗物智能科技广州有限公司，
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。