【技术实现步骤摘要】
本专利技术涉及目标检测，具体涉及基于深度学习的异常行为检测算法。
技术介绍
1、异常行为检测技术主要用于识别和预防不正常或有害的行为模式，广泛应用于视频监控、网络安全、金融交易监控等领域。异常行为检测技术主要分为传统机器学习方法和深度学习方法两大类。基于传统机器学习的异常行为检测一般使用手工特征方法提取行为特征，可以提取行人外观、运动和时空等特征。特征提取是指从视频数据中提取关键信息用以表征行为的过程。基于深度学习方法的异常行为检测一般使用卷积神经网络(cnn)和循环卷积神经网络(rnn)，通过多层网络学习数据的特征表示。机器学习方法需要大量标注数据进行训练，模型的解释性较差，对超参数敏感，而深度学习方法需要大量的计算资源和数据，并且模型的黑盒性较强，解释性差。
2、视频通信、处理和理解是视频监控技术的三大核心技术。目前，主流的网络视频监控系统由嵌入式视频监控终端和基于pc网络视频服务器组成。
3、针对于异常行为的检测，大致的相关方法有两类：基于局部目标检测和双线性检测方法，包括三个功能模块：
4、1...
【技术保护点】
1.基于深度学习的异常行为检测算法，其特征在于：包括：
2.根据权利要求1所述的基于深度学习的异常行为检测算法，其特征在于：使用Labelimg软件对获取的图像进行异常行为的类别标注以及分出训练集。
3.根据权利要求1所述的基于深度学习的异常行为检测算法，其特征在于：Backbone采用CSPDarknet53结构，并且将Focus结构作为基准网络；Neck为一系列用于组合和混合图像特征的网络层，提升特征的鲁棒性和多样性，并将图像特征传送到预测层；Prediction对图像特征进行预测，生成边界框并预测目标的类别。
4.根据权利要求...
【技术特征摘要】
1.基于深度学习的异常行为检测算法，其特征在于：包括：
2.根据权利要求1所述的基于深度学习的异常行为检测算法，其特征在于：使用labelimg软件对获取的图像进行异常行为的类别标注以及分出训练集。
3.根据权利要求1所述的基于深度学习的异常行为检测算法，其特征在于：backbone采用cspdarknet53结构，并且将focus结构作为基准网络；neck为一系列用于组合和混合图像特征的网络层，提升特征的鲁棒性和多样性，并将图像特征传送到预测层；prediction对图像特征进行预测，生成边界框并预测目标的类别。
...
【专利技术属性】
技术研发人员：万程，汪荣，毛渝龙，李曈，袁家斌，
申请(专利权)人：南京航空航天大学，
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。