基于混合注意力和元原型网络的视频异常检测方法技术

本发明专利技术公开的基于混合注意力和元原型网络的视频异常检测方法，包括以下步骤：步骤1、构建基于Inception的编码器网络，提取帧的空间特征；步骤2、对提取到的空间特征都输入到通道注意力中；步骤3、将特征输入到元原型网络中学习用于编码正常动态的原型；步骤4、将每层的上采样特征图都与相对应通道的编码器特征图做融合；步骤5、进行未来时刻帧的预测；步骤6、构建预测模型的损失函数；步骤7、迭代训练模型得到预测接近真实帧的模型；步骤8、进行视频异常检测。本发明专利技术的基于混合注意力和元原型网络的视频异常检测方法，降低了代表背景的特征区域的权重，增加了在训练过程中对目标的关注度，效提升了异常检测的精度。

【技术实现步骤摘要】

本专利技术属于视频异常行为检测，具体涉及基于混合注意力和元原型网络的视频异常检测方法。

技术介绍

1、视频监控中的异常行为检测(vad)是计算机视觉领域的一个研究热点，例如交通事故检测、犯罪活动识别和非法行为监测。然而，在大量正常场景中检测异常活动颇具挑战。首先，收集并标注所有类型的异常事件非常困难，因为正常事件的发生频率远高于异常事件，且异常事件相对罕见。其次，异常事件的不确定性也是一个挑战。例如，某种活动在某些情况下可能被视为异常，而在其他情况下则被认为是正常的。再者，在拥挤的公共场景下由于周围环境杂乱，人群动态遮挡的干扰，对异常事件的识别也是具有较大难度。此外，人工观看和分析大量监控视频既耗时又低效，自动异常检测系统在分析和识别监控视频中的异常事件方面显得尤为重要。这些系统能够显著提高监控效率，减少人力需求，确保及时发现潜在的安全威胁。

2、由于监控视频在正常情况下更容易获得，仅用正常样本训练的无监督框架引起了较为广泛的关注。通常，无监督异常检测模型是通过正常视频数据进行训练的。在推理过程中，那些无法用正常模型解释的样本会被视为异常。这类本文档来自技高网...

【技术保护点】

1.基于混合注意力和元原型网络的视频异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤2的具体过程为：在编码过程中添加了通道注意力机制来减少代表背景特征通道的权重，增加了在训练过程中对目标的关注度，输入到SE通道注意力中的特征图的大小由 表示，其中为通道数，和分别为矩阵的高度和宽度；使用全局平均池化层压缩特征图的空间维度，输出矩阵表示如公式（A）所示：

3.根据权利要求1所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤3的具体过程为：>

4.根据权利...

【技术特征摘要】

1.基于混合注意力和元原型网络的视频异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤2的具体过程为：在编码过程中添加了通道注意力机制来减少代表背景特征通道的权重，增加了在训练过程中对目标的关注度，输入到se通道注意力中的特征图的大小由 表示，其中为通道数，和分别为矩阵的高度和宽度；使用全局平均池化层压缩特征图的空间维度，输出矩阵表示如公式（a）所示：

3.根据权利要求1所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤3的具体过程为：

4.根据权利要求3所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤3.1的具体过程为：视频帧经过inception编码器预处理后得到t个特征编码图，将其视为c维的向量，；在注意力机制应用中，使用m个注意力映射函数为编码向量分配正态权重；在每个像素位置上，常态权重用于衡量编码向量的标准偏差或正常分布范围；

5.根据权利要求1所述的基于混合注意力和元原型网络的视频异常检测方法，其特征在于，所述步骤4的...

【专利技术属性】
技术研发人员：赵明华，吕雨萱，都双丽，吕志勇，李鹏，尤珍臻，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：