CN109359519B - 一种基于深度学习的视频异常行为检测方法 - Google Patents
一种基于深度学习的视频异常行为检测方法 Download PDFInfo
- Publication number
- CN109359519B CN109359519B CN201811026243.7A CN201811026243A CN109359519B CN 109359519 B CN109359519 B CN 109359519B CN 201811026243 A CN201811026243 A CN 201811026243A CN 109359519 B CN109359519 B CN 109359519B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- training
- data set
- optical flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 13
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000003287 optical effect Effects 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical compound [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 13
- 230000005284 excitation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的视频异常行为检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段，将训练视频序列转换成灰度图和光流图，并分别制作成时空块，分别输入到残差自编码模型中进行训练，建立基于灰度图和光流图的两个模型，训练好的模型包含了正常行为的运动模式和外观信息，所以更有利于正常行为的重构。在测试阶段，将测试数据制作成灰度图和光流图的时空块，先将灰度图时空块输入到灰度图模型中，初步检测出正常区域和可疑区域，再将可疑区域的光流图时空块输入到光流图模型中，检测出正常区域和异常区域，得到最终的异常判定，本发明方法能更好地鉴别视频数据的运动信息和外观特征，从而提高异常行为的检测率。
Description
技术领域
本发明属于视频处理技术领域，涉及一种对视频进行异常行为检测的方法，具体是一种基于深度学习的视频异常行为检测方法。
背景技术
视频异常行为检测是属于智能视频监控的范畴，是利用智能算法针对监控视频中的异常行为进行检测，并发出报警信号以提高相关部门的响应速度。视频异常行为检测技术的发展在维护公共场所安全，节约人力物力上有着重要的作用。
在不同的视频场景中对异常的定义是不一样的，在同一个场景中异常事件的种类也是比较多样化的。通常情况下，异常事件是不同于正常事件的，发生概率比较小的事件。从目前的异常检测方法来看，大致可以分为基于人为选择特征的方法和基于深度神经网络自动选择特征的方法。大多数方法一般涉及两个部分，在训练阶段通过无监督学习训练数据的外观和运动特征，建立与正常数据相关联的一个或多个模型。在测试阶段，根据视频数据与模型是否匹配判定视频是否异常。早期有学者通过研究视频中运动目标的轨迹来检测异常事件，但这种方法不能解决人群遮挡的问题。也有学者提出基于学习字典、稀疏重建的方法。
近年来，在图像分类中的可视化数据表示和运动识别上，深度神经网络已经显示出它们优于人工设定特征的优点，特别是近几年其在时间有效性及准确性上都取得了进一步的突破。因此，将深度学习的神经网络应用到异常行为检测中，往往可以取得相比传统特征提取方法更好的效果。
发明内容
本发明的目的是提供一种基于深度学习的视频异常行为检测方法，提高对异常行为的检测率。
为解决上述技术问题，本发明提供的技术方案融合了多种深度学习的神经网络结构。本发明方法包括训练阶段和测试阶段，具体细节说明如下：
1、训练阶段：
首先进行预处理：选取待检测视频数据集，视频数据集包含训练数据集和测试数据集，训练数据集中的训练数据全是正常行为样本；提取训练数据集的灰度图序列，图像尺寸规范化为M×N，M和N分别代表图像的宽和高；并通过训练数据集的灰度图序列计算光流图序列，得到训练数据集的灰度图数据集和光流图数据集；然后进行如下操作：
步骤(1).将训练数据集中的灰度图数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块gri；将空间位置上相同的连续t帧的空间块组合成一个时空样本gr＝[gr1,gr2,…,grt]，尺寸大小为t×p×p；
将训练数据集中的光流图数据集的光流图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块ori；将空间位置上相同的连续t帧的空间块组合成一个时空样本or＝[or1,or2,…,ort]，尺寸大小为t×p×p；
这样就将训练数据集划分为灰度图像时空样本集Gr和光流图像时空样本集Or；
步骤(2).搭建残差自编码网络，所述的残差自编码网络结构分为输入层、中间网络层和输出层；中间网络层由a层卷积层，b层卷积长短时记忆层，a层反卷积层组成，并采用残差结构的方式进行组合连接；
步骤(3).将训练数据集的灰度图像时空样本集Gr输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数，最大迭代次数为200次，或者目标函数相比于上一次迭代结果的变化值小于0.1时，停止迭代；训练完成后得到基于灰度图像数据重构的模型A1；将灰度图像时空样本集Gr输入到模型A1中，得到模型A1输出数据，将输入数据与模型A1输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作α；
将训练数据集的光流图像时空样本集Or输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数，最大迭代次数为200次，或者目标函数相比于上一次迭代结果的变化值小于0.1时，停止迭代；训练完成后得到基于光流图像数据重构的模型A2；将光流图像时空样本集Or输入到模型A2中，得到模型A2输出数据，将输入数据与模型A2输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作β。
2、测试阶段：
首先进行预处理：选取待检测视频数据集，提取测试数据集的灰度图序列，图像尺寸规范化为M×N，M和N分别代表图像的宽和高；并通过测试数据集的灰度图序列计算光流图序列，得到测试数据集的灰度图数据集和光流图数据集；然后进行如下操作：
步骤(4).将测试数据集中的灰度图数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块gei；将空间位置上相同的连续t帧的空间块组合成一个时空样本ge＝[ge1,ge2,…,get]，尺寸大小为t×p×p；得到测试数据集的灰度图像时空样本测试集Ge；
步骤(5).将灰度图像的时空样本测试集Ge输入到模型A1中，经过各层网络处理后得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差E1；重构误差E1小于或等于α的样本数据检测为正常区域，大于α的样本数据检测为可疑区域；
步骤(6).提取可疑区域的光流图像，并用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块oei；将空间位置上相同的连续t帧的空间块组合成一个时空样本oe＝[oe1,oe2,…,oet]，尺寸大小为t×p×p；得到可疑区域光流图像时空样本测试集Oe；
步骤(7)：将Oe输入到模型A2中，得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差E2；重构误差E2小于或等于β的样本数据检测为正常区域，大于β的样本数据检测为异常区域。
至此得到测试数据集的检测结果，完成整个***的异常检测。
检测中最关键的外观特征和运动信息，提取视频数据的灰度图和光流图分别作为视频数据的外观特征和运动特征表示，并基于这两个特征进行模型训练。本发明采用融合了卷积神经网络和卷积长短时记忆网络结构的残差自编码模型，因为充分利用了卷积神经网络提取数据空间结构信息的能力，结合了卷积长短时记忆网络处理时间序列的优势，同时利用残差结构进一步加强模型的特征拟合能力，所以这种模型在处理视频数据上会实现较好的效果。
附图说明
图1为本发明方法训练阶段的流程图；
图2为本发明方法测试阶段的流程图；
图3为残差自编码网络图。
具体实施方式
以下结合附图和实施实例对本发明加以详细说明。
一种基于深度学习的视频异常行为检测方法，包括训练阶段和测试阶段。
训练阶段由三个模块组成：一、预处理模块，该模块主要功能是获取训练数据集的灰度图数据和光流图数据；二、搭建残差自编码网络模块，该模块主要功能是搭建融合了多种神经网络结构的残差自编码网络结构；三、训练神经网络，该模块主要功能是利用只包含正常行为的训练数据对残差自编码网络进行训练，得到基于灰度图重构和光流图重构的两个模型。
测试阶段也由三个模块组成：一、预处理模块，该模块主要功能是获取测试数据集的灰度图数据和光流图数据；二、A1模型检测模块，该模块主要功能是将测试数据集的灰度图数据输入到训练好的A1模型中进行检验，通过计算重构误差判断出正常区域和可疑区域；三、A2模型检测模块，该模块主要功能是将可疑区域的光流图像数据输入到A2模型中进行检验，通过计算重构误差判断出正常区域和异常区域，得到最终的异常检测结果。
如图1所示，训练阶段，首先进行预处理：选取待检测视频数据集，视频数据集包含训练数据集和测试数据集，训练数据集中的训练数据全是正常行为样本；提取训练数据集的灰度图序列，图像尺寸规范化为260×180，260和180分别代表图像的宽和高；并通过训练数据集的灰度图序列计算光流图序列。由此得到训练数据集的灰度图数据集和光流图数据集。然后进行如下操作：
步骤(1).将训练数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为260×180，分割成大小为20×20的空间块gri；将空间位置上相同的连续10帧的空间块组合成一个时空样本gr＝[gr1,gr2,…,gr10]，尺寸大小为10×20×20；同样地，将光流图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为260×180，分割成大小为20×20的空间块ori；将空间位置上相同的连续10帧的空间块组合成一个时空样本or＝[or1,or2,…,or10]，尺寸大小为10×20×20，这样就将训练数据集划分为灰度图像的时空样本集Gr和光流图像的时空样本集Or；
步骤(2).搭建残差自编码网络，网络结构主要分为输入层，中间网络层和输出层。中间网络层由a＝3层卷积层，b＝2层卷积长短时记忆层，3层反卷积层组成，并采用残差结构的方式进行组合连接；残差自编码网络图如图3所示，首先，输入数据通过三层卷积层Conv1、Conv2、Conv3的计算来提取输入数据的空间结构信息，接着经过两层卷积长短时记忆层ConvLSTM1、ConvLSTM2的处理提取数据的时间序列特征，最后经过三层反卷积层Deconv1、Deconv2、Deconv3重构输入数据，完成整个残差自编码网络。其具体实现如下：
在Conv1阶段，输入数据的尺寸为10×20×20×1，设置卷积核大小为3×3，通道数为64，采用Relu激励函数，输出数据尺寸为10×20×20×64，Conv1的输出作为Conv2的输入；Conv2和Conv3的卷积核大小都为3×3，通道数都为64，都采用Relu激励函数，输出数据尺寸都为10×20×20×64，Conv2的输出作为Conv3的输入；将Conv1和Conv3的输出相加，并采用Relu激励函数，得到ConvLSTM1的输入，输入尺寸为10×20×20×64，设置ConvLSTM1的通道数为128，卷积核大小为3×3，得到尺寸为10×20×20×128的输出数据，作为ConvLSTM2的输入；ConvLSTM2通道数为128，卷积核大小为3×3，输出数据尺寸为10×20×20×128；将ConvLSTM1的输入数据做填充后与ConvLSTM2的输出相加，并采用Relu激励函数，作为Deconv1的输入。在Deconv1阶段，以10×20×20×128尺寸的数据输入，设置卷积核大小为3×3，通道数为64，采用Relu激励函数，输出数据尺寸为10×20×20×64，以Deconv1的输出作为Deconv2的输入；Deconv2以和Deconv1相同的设置参数通过反卷积输出尺寸为10×20×20×64的数据；将Deconv1的输入数据进行数据对齐后与Deconv2的输出数据相加，并采用Relu激励函数得到的数据作为Deconv3的输入，Deconv3设置的反卷积核大小为3×3，通道数为1，采用Relu激励函数得到的尺寸为10×20×20×1的输出，作为输入数据的重构输出。
步骤(3).将灰度图像的时空样本集Gr输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数。训练完成就得到基于灰度图像数据重构的模型记做A1；将训练数据集的灰度图像时空样本集Gr输入到A1模型中，得到输出数据，将输入数据与输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作α，α＝191；同样的，将光流图像的时空样本集Or输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数，得到基于光流图像数据重构的模型记做A2；将训练数据集的光流图像时空样本集Or输入到A2模型中，得到输出数据，将输入数据与输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作β，β＝100。
如图2所示，测试阶段，首先进行预处理：选取待检测视频数据集，提取测试数据集的灰度图序列，图像尺寸规范化为260×180，260和180分别代表图像的宽和高；并通过测试数据集的灰度图序列计算光流图序列，由此得到测试数据集的灰度图数据集和光流图数据集。
步骤(4).将测试数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为260×180，分割成大小为20×20的空间块gei；将空间位置上相同的连续10帧的空间块组合成一个时空样本ge＝[ge1,ge2,…,ge10]，尺寸大小为10×20×20；这样就得到测试数据集的灰度图像的时空样本测试集Ge。
步骤(5).将灰度图像的时空样本测试集Ge输入到模型A1中，经过各层网络处理后得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差，记做E1；重构误差E1小于或等于α的样本数据检测为正常区域，大于α的样本数据检测为可疑区域。
步骤(6).提取可疑区域的光流图像，并用网格的方式分割成不重叠的空间块，每一帧图像尺寸为260×180，分割成大小为20×20的空间块oei；将空间位置上相同的连续10帧的空间块组合成一个时空样本oe＝[oe1,oe2,…,oe10]，尺寸大小为10×20×20；这样就得到可疑区域光流图像的时空样本测试集Oe。
步骤(7).将Oe输入到模型A2中，得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差，记做E2；重构误差E2小于或等于β的样本数据检测为正常区域，大于β的样本数据检测为异常区域。
至此得到测试数据集的检测结果，完成整个***的异常检测。
Claims (1)
1.一种基于深度学习的视频异常行为检测方法，包括训练阶段和测试阶段，其特征在于：
所述的训练阶段具体如下：
首先进行预处理：选取待检测视频数据集，视频数据集包含训练数据集和测试数据集，训练数据集中的训练数据全是正常行为样本；提取训练数据集的灰度图序列，图像尺寸规范化为M×N，M和N分别代表图像的宽和高；并通过训练数据集的灰度图序列计算光流图序列，得到训练数据集的灰度图数据集和光流图数据集；然后进行如下操作：
步骤(1).将训练数据集中的灰度图数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块gri；将空间位置上相同的连续t帧的空间块组合成一个时空样本gr＝[gr1,gr2,…,grt]，尺寸大小为t×p×p；
将训练数据集中的光流图数据集的光流图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块ori；将空间位置上相同的连续t帧的空间块组合成一个时空样本or＝[or1,or2,…,ort]，尺寸大小为t×p×p；
由此，将训练数据集划分为灰度图像时空样本集Gr和光流图像时空样本集Or；
步骤(2).搭建残差自编码网络，所述的残差自编码网络结构分为输入层、中间网络层和输出层；中间网络层由a层卷积层，b层卷积长短时记忆层，a层反卷积层组成，并采用残差结构的方式进行组合连接；
步骤(3).将训练数据集的灰度图像时空样本集Gr输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数，最大迭代次数为200次，或者目标函数相比于上一次迭代结果的变化值小于0.1时，停止迭代；训练完成后得到基于灰度图像数据重构的模型A1；将灰度图像时空样本集Gr输入到模型A1中，得到模型A1输出数据，将输入数据与模型A1输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作α；
将训练数据集的光流图像时空样本集Or输入到步骤(2)的残差自编码网络中进行迭代训练，以输出数据与输入数据的均方误差作为训练的目标函数，最大迭代次数为200次，或者目标函数相比于上一次迭代结果的变化值小于0.1时，停止迭代；训练完成后得到基于光流图像数据重构的模型A2；将光流图像时空样本集Or输入到模型A2中，得到模型A2输出数据，将输入数据与模型A2输出数据相减结果的二范数作为重构误差，重构误差的最大值，记作β；
所述的测试阶段具体如下：
首先进行预处理：选取待检测视频数据集，提取测试数据集的灰度图序列，图像尺寸规范化为M×N，M和N分别代表图像的宽和高；并通过测试数据集的灰度图序列计算光流图序列，得到测试数据集的灰度图数据集和光流图数据集；然后进行如下操作：
步骤(4).将测试数据集中的灰度图数据集的灰度图像用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块gei；将空间位置上相同的连续t帧的空间块组合成一个时空样本ge＝[ge1,ge2,…,get]，尺寸大小为t×p×p；得到测试数据集的灰度图像时空样本测试集Ge；
步骤(5).将灰度图像的时空样本测试集Ge输入到模型A1中，经过各层网络处理后得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差E1；重构误差E1小于或等于α的样本数据检测为正常区域，大于α的样本数据检测为可疑区域；
步骤(6).提取可疑区域的光流图像，并用网格的方式分割成不重叠的空间块，每一帧图像尺寸为M×N，分割成大小为p×p的空间块oei；将空间位置上相同的连续t帧的空间块组合成一个时空样本oe＝[oe1,oe2,…,oet]，尺寸大小为t×p×p；得到可疑区域光流图像时空样本测试集Oe；
步骤(7)：将Oe输入到模型A2中，得到数据重构的输出，将输入数据与输出数据相减，并计算相减结果的二范数作为输入与输出之间的重构误差E2；重构误差E2小于或等于β的样本数据检测为正常区域，大于β的样本数据检测为异常区域；
由此，得到测试数据集的检测结果，完成整个***的异常检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811026243.7A CN109359519B (zh) | 2018-09-04 | 2018-09-04 | 一种基于深度学习的视频异常行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811026243.7A CN109359519B (zh) | 2018-09-04 | 2018-09-04 | 一种基于深度学习的视频异常行为检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109359519A CN109359519A (zh) | 2019-02-19 |
| CN109359519B true CN109359519B (zh) | 2021-12-07 |
Family
ID=65350221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811026243.7A Expired - Fee Related CN109359519B (zh) | 2018-09-04 | 2018-09-04 | 一种基于深度学习的视频异常行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359519B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978013B (zh) * | 2019-03-06 | 2021-01-19 | 华南理工大学 | 一种用于人物动作识别的深度聚类方法 |
| CN110020684B (zh) * | 2019-04-08 | 2021-01-29 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
| CN110110670B (zh) * | 2019-05-09 | 2022-03-25 | 杭州电子科技大学 | 基于Wasserstein度量的行人跟踪中的数据关联方法 |
| CN110263807A (zh) * | 2019-05-13 | 2019-09-20 | 杭州安恒信息技术股份有限公司 | 基于auto-encoder的异常行为检测方法 |
| CN110045419B (zh) * | 2019-05-21 | 2020-10-16 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
| CN110222828B (zh) * | 2019-06-12 | 2021-01-15 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场预测方法 |
| CN111079539B (zh) * | 2019-11-19 | 2023-03-21 | 华南理工大学 | 一种基于异常追踪的视频异常行为检测方法 |
| CN111027440B (zh) * | 2019-12-03 | 2023-05-30 | 北京师范大学珠海分校 | 一种基于神经网络的人群异常行为检测装置和检测方法 |
| CN111401149B (zh) * | 2020-02-27 | 2022-05-13 | 西北工业大学 | 基于长短期时域建模算法的轻量级视频行为识别方法 |
| CN111400547B (zh) * | 2020-03-05 | 2023-03-24 | 西北工业大学 | 一种人机协作的视频异常检测方法 |
| CN111402237B (zh) * | 2020-03-17 | 2023-04-18 | 山东大学 | 基于时空级联自编码器的视频图像异常检测方法及*** |
| CN112052902B (zh) * | 2020-04-16 | 2023-05-23 | 北京信息科技大学 | 滚动轴承故障诊断方法、***、计算机程序及存储介质 |
| CN111814548B (zh) * | 2020-06-03 | 2022-12-09 | 中铁第四勘察设计院集团有限公司 | 一种异常行为检测方法和装置 |
| CN111814644B (zh) * | 2020-07-01 | 2022-05-03 | 重庆邮电大学 | 一种基于扰动视觉解释的视频异常事件检测方法 |
| CN111967508A (zh) * | 2020-07-31 | 2020-11-20 | 复旦大学 | 基于显著图的时间序列异常点检测方法 |
| CN112270298B (zh) * | 2020-11-16 | 2023-04-25 | 北京深睿博联科技有限责任公司 | 道路异常识别的方法及装置、设备及计算机可读存储介质 |
| CN113705490B (zh) * | 2021-08-31 | 2023-09-12 | 重庆大学 | 基于重构和预测的异常检测方法 |
| CN114186182A (zh) * | 2021-11-02 | 2022-03-15 | 联想(北京)有限公司 | 一种处理方法、装置、设备及存储介质 |
| CN117237994B (zh) * | 2023-11-13 | 2024-02-13 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及*** |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8724891B2 (en) * | 2004-08-31 | 2014-05-13 | Ramot At Tel-Aviv University Ltd. | Apparatus and methods for the detection of abnormal motion in a video stream |
| CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
| CN103198605A (zh) * | 2013-03-11 | 2013-07-10 | 成都百威讯科技有限责任公司 | 室内突发异常事件报警*** |
| CN105205449B (zh) * | 2015-08-24 | 2019-01-29 | 西安电子科技大学 | 基于深度学习的手语识别方法 |
| CN105426813B (zh) * | 2015-10-27 | 2018-09-25 | 杭州电子科技大学 | 一种视频异常行为检测方法 |
| CN105354542B (zh) * | 2015-10-27 | 2018-09-25 | 杭州电子科技大学 | 一种拥挤场景下视频异常事件检测方法 |
| CN105787472B (zh) * | 2016-03-28 | 2019-02-15 | 电子科技大学 | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 |
| CN106022229B (zh) * | 2016-05-11 | 2019-08-27 | 北京航空航天大学 | 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法 |
| CN106228149B (zh) * | 2016-08-04 | 2019-07-23 | 杭州电子科技大学 | 一种视频异常行为检测方法 |
| CN106339667B (zh) * | 2016-08-15 | 2019-05-28 | 北京大学 | 一种视频异常事件在线检测方法及装置 |
| CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
| CN106778595B (zh) * | 2016-12-12 | 2020-04-07 | 河北工业大学 | 基于高斯混合模型的人群中异常行为的检测方法 |
| CN107330410B (zh) * | 2017-07-03 | 2020-06-30 | 南京工程学院 | 复杂环境下基于深度学习的异常检测方法 |
| CN107590477A (zh) * | 2017-09-22 | 2018-01-16 | 成都考拉悠然科技有限公司 | 一种监控视频异常事件的检测装置及其方法 |
| CN107944373A (zh) * | 2017-11-17 | 2018-04-20 | 杭州电子科技大学 | 一种基于深度学习的视频异常行为检测方法 |
| CN108171701B (zh) * | 2018-01-15 | 2021-06-22 | 复旦大学 | 基于u网络和对抗学习的显著性检测方法 |
-
2018
- 2018-09-04 CN CN201811026243.7A patent/CN109359519B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109359519A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359519B (zh) | 一种基于深度学习的视频异常行为检测方法 | |
| CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
| CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
| CN111178523A (zh) | 一种行为检测方法、装置、电子设备及存储介质 | |
| CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
| CN111352971A (zh) | 银行***监控数据异常检测方法及*** | |
| CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
| CN109063609A (zh) | 一种基于光流特征与全卷积语义分割特征结合的异常行为检测方法 | |
| CN110826702A (zh) | 一种多任务深度网络的异常事件检测方法 | |
| CN109801232A (zh) | 一种基于深度学习的单幅图像去雾方法 | |
| CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
| CN111008608B (zh) | 一种基于深度学习的夜间车辆检测方法 | |
| CN113610144A (zh) | 一种基于多分支局部注意力网络的车辆分类方法 | |
| CN112529210A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
| CN115272777B (zh) | 面向输电场景的半监督图像解析方法 | |
| CN112036300B (zh) | 一种基于多尺度时空传播层的运动目标检测方法 | |
| WO2021147055A1 (en) | Systems and methods for video anomaly detection using multi-scale image frame prediction network | |
| CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
| US11954917B2 (en) | Method of segmenting abnormal robust for complex autonomous driving scenes and system thereof | |
| CN110043808B (zh) | 基于时间序列分析的供水管网漏损监测预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |