CN114092851A - 基于时序动作检测的监控视频异常事件检测方法 - Google Patents
基于时序动作检测的监控视频异常事件检测方法 Download PDFInfo
- Publication number
- CN114092851A CN114092851A CN202111185834.0A CN202111185834A CN114092851A CN 114092851 A CN114092851 A CN 114092851A CN 202111185834 A CN202111185834 A CN 202111185834A CN 114092851 A CN114092851 A CN 114092851A
- Authority
- CN
- China
- Prior art keywords
- event
- abnormal
- events
- detection
- video
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000009471 action Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000011160 research Methods 0.000 abstract description 5
- 230000001629 suppression Effects 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视频检测技术领域，具体是一种基于时序动作检测的监控视频异常事件检测方法，包括以下步骤：S1：特征提取；S2：训练样本选择；S3：图像预处理；S4：基本事件表示；S5：异常检测模型构建：对基本事件进行建模；S6：异常事件判断；S7：后处理，本发明通过高效的异常事件检测算法，生成一系列包含完整语义信息的监控视频异常事件片段，保留了有用信息的同时缩小了视频数据库，方便后续检索方法的研究，基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度，最终使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果，提高了对不同时长的监控视频的检测精度，与其他算法相比具有更好的检测性能。
Description
技术领域
本发明涉及视频检测技术领域，具体是一种基于时序动作检测的监控视频异常事件检测方法。
背景技术
随着我国社会经济的发展和硬件设施价格的下降，视频监控***广泛应用在商场、银行、监狱和交通路口等场所，在维护社会治安稳固方面发挥着不容小觑的作用。目前的视频监控***仍属于传统的人工监控，通常在关键位置安装摄像机，通过传输设备将数据传到监控中心实时显示在监控屏幕上，监控人员通过观看监控屏幕对异常事件进行判断并对做出反应。该***有以下局限性：首先，耗费人力，通常情况下需要监控人员轮流守候以保证监控可以全天候进行；其次，存在大量警告漏报，长期面对监控屏幕上的多个画面，监控人员很容易产生疲劳从而遗漏重要信息；最后，对异常事件没有预测作用，更多时候只能充当事后查询工具。计算机科技发展迅速，图像处理、机器视觉和模式识别等技术相应成熟起来，为突破传统视频监控***的局限性提供了可能，也使监控视频中异常事件的主动监控成为了可能。
国内外研究人员虽然在异常事件检测方面取得了一些成果，但仍面临巨大挑战，除了摄像机角度多样、运动对象尺度变化和存在遮挡等问题带来的挑战外，还存在着以下难点：对基本事件的定义缺乏统一的观点。研究人员从不同的细分领域尝试对表示基本事件，目前基本事件的表示方法包括提取低层特征、进行轨迹跟踪和构建社会力模型等；大部分算法不能实时检测。由于算法模型的复杂性和视频数据的不间断性，目前大部分算法很难做到这一点；现有检测算法缺乏场景适用性，比如一个在行人场景下表现优秀的检测算法在车辆场景下并不一定能够取得同样好的检测效果。第四，大部分算法不能实时更新自身。目前，大部分的算法还停留在只使用固定的样本对模型进行训练的阶段，不能在检测过程中对自身模型进行更新。
现有的监控视频异常事件检测技术中，存在问题如下：
(1)人体时序动作检测的召回率低,动作开始与结束时间定位精度有待提高；
(2)目前的检测方法对于不同类别的异常事件的检测精度不同，尤其对于时长较长的异常事件，检测精度低。
发明内容
本发明的目的在于提供一种基于时序动作检测的监控视频异常事件检测方法，以解决上述背景技术中提出的问题。
本发明的技术方案是：基于时序动作检测的监控视频异常事件检测方法，包括以下步骤：
S1：特征提取：基于视频图像，提取监控视频中每帧画面的三维梯度特征；
S2：训练样本选择：以配置有NVIDIA Titan GPU的ubuntu16操作***为基础，提取UCF-Crime数据集；
S3：图像预处理：利用高斯滤波，对图像进行降噪处理，减少原始监控视频噪声的干扰；
S4：基本事件表示：使用跟踪对象的方法，选取恰当的特征描述符对基本事件进行表示；
S5：异常检测模型构建：对基本事件进行建模；
S6：异常事件判断：基于训练样本，判断事件是否异常；
S7：后处理：基于不同异常事件的发生时长，结合训练样本进行打分，得到没有重叠的检测结果。
优选的，所述特征提取包括以下步骤：
S11：截取画面：将视频中的每一帧画面截图，并依照时序保存入数据库；
S12：缩放画面：将数据库中截取的每一帧画面分别进行放大5倍以及缩小5倍，并保存至相应的数据库分类中；
S13：分类信息展示及提取：将数据库中的每一帧初始画面展示为原始信息，将数据库中的每一帧放大5倍的处理画面提取为关键信息，将数据库中的每一帧缩小5倍的画面提取为全体信息。
优选的，所述训练样本提取包括以下步骤：
S21：训练样本提取：使用配置有NVIDIA Titan GPU的ubuntu16操作***对UCF-Crime数据集中的内容进行提取；
S22：训练样本分类：基于时序动作，将提取出的UCF-Crime数据集中的内容进行分类并录入数据库，相同分类内容入同一文件夹；
S23：训练样本命名：将数据库中分类后的文件夹进行命名：正常事件、***、斗殴、***、枪击、抢劫、破坏、突袭、抓捕、纵火。
优选的，所述图像预处理包括以下步骤：
S31：利用邻域内其他像素点到邻域中心的距离，带入二维高斯函数，计算出高斯模板，常见3×3或5×5大小的高斯模板；
S32：若模板为小数形式，进行归一化处理，将模板左上角值归一为1；
S33：将高斯模板的中心对准待处理的图像矩阵，然后对应元素相乘后相加，没有元素的地方补零；
S34：每个元素分别进行上述计算，得到的输出矩阵就是高斯滤波的结果。
优选的，所述基本事件表示包括以下步骤：
S41：按照是否具有现实物理意义对事件的表示进行分类：没有物理意义的一类，使用低级的视觉特征表示基本事件；存在物理意义的一类，使用高级语义特征表示基本事件。
S42：基于低级视觉特征的事件表示：利用重叠的方式采集视频块，将视频块视为基本事件，从UCF-Crime数据集中提取低级视觉特征表示基本事件；
S43：基于高级视觉特征的事件表示：利用非重叠的方式采集视频块，将视频块视为异常事件，从UCF-Crime数据集中提取高级视觉特征表示异常事件。
优选的，所述异常检测模型构建包括以下步骤：
S51：特征表示：首先计算异常事件的特征向量，然后将正常事件与异常事件的特征向量进行融合；
S52：事件检测模块：包含事件触发词生成器、事件类型分类器，前者从文本中识别事件触发词，后者对事件进行分类。
优选的，所述异常事件判断包括以下步骤：
S61：将符合正常事件特征向量的监控视频判断为正常事件；
S62：将符合异常事件特征向量的监控视频判断为异常事件。
优选的，所述后处理包括以下步骤：
S71：基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度；
S72：计算窗口长度的出现频率得到权重；
S73：根据权重重新定位监控视频中的动作得分；
S74：使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果。
本发明通过改进在此提供一种基于时序动作检测的监控视频异常事件检测方法，与现有技术相比，具有如下改进及优点：
其一：本发明通过高效的异常事件检测算法，生成一系列包含完整语义信息的监控视频异常事件片段，保留了有用信息的同时缩小了视频数据库，方便后续检索方法的研究；
其二：本发明基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度，最终使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果，提高了对不同时长的监控视频的检测精度；
其三：本发明利用运动、大小和纹理特征的基于单元分析的异常检测方法进行了研究，该方法利用运动、大小和纹理三种低级视觉特征独立建模并建立两个分类器判断异常事件，针对性的对描述符粗糙导致异常事件误检、漏检的问题，提出了改进方法。
具体实施方式
下面对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明通过改进在此提供一种基于时序动作检测的监控视频异常事件检测方法，本发明的技术方案是：
实施例一：
基于时序动作检测的监控视频异常事件检测方法，包括以下步骤：
S1：特征提取：基于视频图像，提取监控视频中每帧画面的三维梯度特征；
S2：训练样本选择：以配置有NVIDIA Titan GPU的ubuntu16操作***为基础，提取UCF-Crime数据集；
S3：图像预处理：利用高斯滤波，对图像进行降噪处理，减少原始监控视频噪声的干扰；
S4：基本事件表示：使用跟踪对象的方法，选取恰当的特征描述符对基本事件进行表示；
S5：异常检测模型构建：对基本事件进行建模；
S6：异常事件判断：基于训练样本，判断事件是否异常；
S7：后处理：基于不同异常事件的发生时长，结合训练样本进行打分，得到没有重叠的检测结果。
具体地，所述特征提取包括以下步骤：
S11：截取画面：将视频中的每一帧画面截图，并依照时序保存入数据库；
S12：缩放画面：将数据库中截取的每一帧画面分别进行放大5倍以及缩小5倍，并保存至相应的数据库分类中；
S13：分类信息展示及提取：将数据库中的每一帧初始画面展示为原始信息，将数据库中的每一帧放大5倍的处理画面提取为关键信息，将数据库中的每一帧缩小5倍的画面提取为全体信息。
具体地，所述训练样本提取包括以下步骤：
S21：训练样本提取：使用配置有NVIDIA Titan GPU的ubuntu16操作***对UCF-Crime数据集中的内容进行提取；
S22：训练样本分类：基于时序动作，将提取出的UCF-Crime数据集中的内容进行分类并录入数据库，相同分类内容入同一文件夹；
S23：训练样本命名：将数据库中分类后的文件夹进行命名：正常事件、***、斗殴、***、枪击、抢劫、破坏、突袭、抓捕、纵火。
具体地，所述图像预处理包括以下步骤：
S31：利用邻域内其他像素点到邻域中心的距离，带入二维高斯函数，计算出高斯模板，常见3×3或5×5大小的高斯模板；
S32：若模板为小数形式，进行归一化处理，将模板左上角值归一为1；
S33：将高斯模板的中心对准待处理的图像矩阵，然后对应元素相乘后相加，没有元素的地方补零(例如3×3高斯模板，需要对待处理图像最外层补一圈零)；
S34：每个元素分别进行上述计算，得到的输出矩阵就是高斯滤波的结果。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程，高斯滤波是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
具体地，所述基本事件表示包括以下步骤：
S41：按照是否具有现实物理意义对事件的表示进行分类：没有物理意义的一类，使用低级的视觉特征表示基本事件；存在物理意义的一类，使用高级语义特征表示基本事件。
S42：基于低级视觉特征的事件表示：利用重叠的方式采集视频块，将视频块视为基本事件，从UCF-Crime数据集中提取低级视觉特征表示基本事件；
S43：基于高级视觉特征的事件表示：利用非重叠的方式采集视频块，将视频块视为异常事件，从UCF-Crime数据集中提取高级视觉特征表示异常事件。利用运动、大小和纹理特征的基于单元分析的异常检测方法进行了研究，该方法利用运动、大小和纹理三种低级视觉特征独立建模并建立两个分类器判断异常事件，针对性的对描述符粗糙导致异常事件误检、漏检的问题，提出了改进方法。如何对基本事件表示是异常检测过程中的关键问题，从是否跟踪的角度对现有方法进行分类，可以分为两类：跟踪的方法和非跟踪的方法。在跟踪的方法里，运动对象的轨迹一直被记录，在目标对象较少且遮挡较少的场景中比较适用；在非跟踪的方法里，将运动和纹理等特征应用到给定场景中。本发明换一种思路，按照是否具有现实物理意义对事件的表示进行分类：没有物理意义的一类，使用低级的视觉特征表示基本事件；存在物理意义的一类，使用高级语义特征表示基本事件。
具体地，所述异常检测模型构建包括以下步骤：
S51：特征表示：首先计算异常事件的特征向量，然后将正常事件与异常事件的特征向量进行融合；
S52：事件检测模块：包含事件触发词生成器、事件类型分类器，前者从文本中识别事件触发词，后者对事件进行分类。通过高效的异常事件检测算法，生成一系列包含完整语义信息的监控视频异常事件片段，保留了有用信息的同时缩小了视频数据库，方便后续检索方法的研究。本发明对基于前景对象运动、大小和纹理特征的单元分析异常检测技术进行了研究，在原有的基础上，针对存在的特征描述符粗糙的问题做出了相应的改进：第一，针对运动特征描述符较为粗糙的问题，本发明提出了极坐标下的HOG3D特征作为运动特征，这里仅对单元内前景像素点的位置进行采样、投票；第二，针对纹理特征描述符较为粗糙的问题，本发明提出了使用等价模式的LBP特征对纹理进行描述。
具体地，所述异常事件判断包括以下步骤：
S61：将符合正常事件特征向量的监控视频判断为正常事件；
S62：将符合异常事件特征向量的监控视频判断为异常事件。
具体地，所述后处理包括以下步骤：
S71：基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度；
S72：计算窗口长度的出现频率得到权重；
S73：根据权重重新定位监控视频中的动作得分；
S74：使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果。由于一个异常事件应该仅检测出一个对应的视频片段，因此使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果。基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度，最终使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果，提高了对不同时长的监控视频的检测精度，并且基于时序动作检测，与其他算法相比具有更好的检测性能。
上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于时序动作检测的监控视频异常事件检测方法，其特征在于，包括以下步骤：
S1：特征提取：基于视频图像，提取监控视频中每帧画面的三维梯度特征；
S2：训练样本选择：以配置有NVIDIA Titan GPU的ubuntu16操作***为基础，提取UCF-Crime数据集；
S3：图像预处理：利用高斯滤波，对图像进行降噪处理，减少原始监控视频噪声的干扰；
S4：基本事件表示：使用跟踪对象的方法，选取恰当的特征描述符对基本事件进行表示；
S5：异常检测模型构建：对基本事件进行建模；
S6：异常事件判断：基于训练样本，判断事件是否异常；
S7：后处理：基于不同异常事件的发生时长，结合训练样本进行打分，得到没有重叠的检测结果。
2.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述特征提取包括以下步骤：
S11：截取画面：将视频中的每一帧画面截图，并依照时序保存入数据库；
S12：缩放画面：将数据库中截取的每一帧画面分别进行放大5倍以及缩小5倍，并保存至相应的数据库分类中；
S13：分类信息展示及提取：将数据库中的每一帧初始画面展示为原始信息，将数据库中的每一帧放大5倍的处理画面提取为关键信息，将数据库中的每一帧缩小5倍的画面提取为全体信息。
3.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述训练样本提取包括以下步骤：
S21：训练样本提取：使用配置有NVIDIA Titan GPU的ubuntu16操作***对UCF-Crime数据集中的内容进行提取；
S22：训练样本分类：基于时序动作，将提取出的UCF-Crime数据集中的内容进行分类并录入数据库，相同分类内容入同一文件夹；
S23：训练样本命名：将数据库中分类后的文件夹进行命名：正常事件、***、斗殴、***、枪击、抢劫、破坏、突袭、抓捕、纵火。
4.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述图像预处理包括以下步骤：
S31：利用邻域内其他像素点到邻域中心的距离，带入二维高斯函数，计算出高斯模板，常见3×3或5×5大小的高斯模板；
S32：若模板为小数形式，进行归一化处理，将模板左上角值归一为1；
S33：将高斯模板的中心对准待处理的图像矩阵，然后对应元素相乘后相加，没有元素的地方补零；
S34：每个元素分别进行上述计算，得到的输出矩阵就是高斯滤波的结果。
5.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述基本事件表示包括以下步骤：
S41：按照是否具有现实物理意义对事件的表示进行分类：没有物理意义的一类，使用低级的视觉特征表示基本事件；存在物理意义的一类，使用高级语义特征表示基本事件；
S42：基于低级视觉特征的事件表示：利用重叠的方式采集视频块，将视频块视为基本事件，从UCF-Crime数据集中提取低级视觉特征表示基本事件；
S43：基于高级视觉特征的事件表示：利用非重叠的方式采集视频块，将视频块视为异常事件，从UCF-Crime数据集中提取高级视觉特征表示异常事件。
6.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述异常检测模型构建包括以下步骤：
S51：特征表示：首先计算异常事件的特征向量，然后将正常事件与异常事件的特征向量进行融合；
S52：事件检测模块：包含事件触发词生成器、事件类型分类器，前者从文本中识别事件触发词，后者对事件进行分类。
7.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述异常事件判断包括以下步骤：
S61：将符合正常事件特征向量的监控视频判断为正常事件；
S62：将符合异常事件特征向量的监控视频判断为异常事件。
8.根据权利要求1所述的基于时序动作检测的监控视频异常事件检测方法，其特征在于，所述后处理包括以下步骤：
S71：基于训练样本中的各类异常事件的发生时长，选取与其相近的窗口长度；
S72：计算窗口长度的出现频率得到权重；
S73：根据权重重新定位监控视频中的动作得分；
S74：使用非极大值抑制NMS方法去除多余视频片段，得到置信度得分高的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185834.0A CN114092851A (zh) | 2021-10-12 | 2021-10-12 | 基于时序动作检测的监控视频异常事件检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185834.0A CN114092851A (zh) | 2021-10-12 | 2021-10-12 | 基于时序动作检测的监控视频异常事件检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114092851A true CN114092851A (zh) | 2022-02-25 |
Family
ID=80296705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111185834.0A Pending CN114092851A (zh) | 2021-10-12 | 2021-10-12 | 基于时序动作检测的监控视频异常事件检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092851A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115426482A (zh) * | 2022-09-02 | 2022-12-02 | 华南师范大学 | 基于人工智能的自动监考方法和机器人 |
| CN116402136A (zh) * | 2023-03-22 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于离线数据的规则提取方法、存储介质及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636751A (zh) * | 2014-12-11 | 2015-05-20 | 广东工业大学 | 基于时间递归神经网络的人群异常检测和定位***及方法 |
| CN107133654A (zh) * | 2017-05-25 | 2017-09-05 | 大连理工大学 | 一种监控视频异常事件检测的方法 |
| CN108460320A (zh) * | 2017-12-19 | 2018-08-28 | 杭州海康威视数字技术股份有限公司 | 基于改进单元分析的监控视频异常事件检测方法 |
| CN108805002A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 基于深度学习和动态聚类的监控视频异常事件检测方法 |
| CN111008596A (zh) * | 2019-12-05 | 2020-04-14 | 西安科技大学 | 基于特征期望子图校正分类的异常视频清洗方法 |
| CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
-
2021
- 2021-10-12 CN CN202111185834.0A patent/CN114092851A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636751A (zh) * | 2014-12-11 | 2015-05-20 | 广东工业大学 | 基于时间递归神经网络的人群异常检测和定位***及方法 |
| CN107133654A (zh) * | 2017-05-25 | 2017-09-05 | 大连理工大学 | 一种监控视频异常事件检测的方法 |
| CN108460320A (zh) * | 2017-12-19 | 2018-08-28 | 杭州海康威视数字技术股份有限公司 | 基于改进单元分析的监控视频异常事件检测方法 |
| CN108805002A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 基于深度学习和动态聚类的监控视频异常事件检测方法 |
| CN111008596A (zh) * | 2019-12-05 | 2020-04-14 | 西安科技大学 | 基于特征期望子图校正分类的异常视频清洗方法 |
| CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于明;郭团团;: "基于高斯混合模型的人群异常检测", 软件导刊, no. 11, 15 November 2017 (2017-11-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115426482A (zh) * | 2022-09-02 | 2022-12-02 | 华南师范大学 | 基于人工智能的自动监考方法和机器人 |
| CN116402136A (zh) * | 2023-03-22 | 2023-07-07 | 中航信移动科技有限公司 | 一种基于离线数据的规则提取方法、存储介质及电子设备 |
| CN116402136B (zh) * | 2023-03-22 | 2023-11-17 | 中航信移动科技有限公司 | 一种基于离线数据的规则提取方法、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN110443828A (zh) | 对象跟踪方法和装置、存储介质及电子装置 | |
| Kumar et al. | Study of robust and intelligent surveillance in visible and multi-modal framework | |
| Khaire et al. | A semi-supervised deep learning based video anomaly detection framework using RGB-D for surveillance of real-world critical environments | |
| JP3970877B2 (ja) | 追跡装置および追跡方法 | |
| CN114092851A (zh) | 基于时序动作检测的监控视频异常事件检测方法 | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| CN108596157A (zh) | 一种基于运动检测的人群惊扰场景检测方法及*** | |
| CN114926781A (zh) | 支持实时监控场景的多人时空域异常行为定位方法及*** | |
| Jayaswal et al. | A Framework for Anomaly Classification Using Deep Transfer Learning Approach. | |
| Martínez-Mascorro et al. | Suspicious behavior detection on shoplifting cases for crime prevention by using 3D convolutional neural networks | |
| Zhou et al. | A review of multiple-person abnormal activity recognition | |
| He et al. | Vehicle theft recognition from surveillance video based on spatiotemporal attention | |
| Rajpurkar et al. | Alert generation on detection of suspicious activity using transfer learning | |
| Miao et al. | Abnormal behavior learning based on edge computing toward a crowd monitoring system | |
| Seidenari et al. | Dense spatio-temporal features for non-parametric anomaly detection and localization | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| Zhang et al. | Key frame extraction based on quaternion Fourier transform with multiple features fusion | |
| CN105095891A (zh) | 一种人脸捕捉的方法，装置及*** | |
| Yu et al. | Review of intelligent video surveillance technology research | |
| Yadav et al. | Human Illegal Activity Recognition Based on Deep Learning Techniques | |
| CN111639600B (zh) | 基于中心偏移的视频关键帧提取方法 | |
| ELBAŞI et al. | Control charts approach for scenario recognition in video sequences | |
| CN114782675A (zh) | 一种安全技术服务领域项目动态定价方法和*** | |
| Tian et al. | Supervised abnormal event detection based on ChatGPT attention mechanism |
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 |