[发明专利]三维卷积神经网络训练方法、视频异常事件检测方法及装置

说明书

本发明实施例涉及视频图像技术领域，尤其涉及一种三维卷积神经网络训练方法、一种基于三维卷积神经网络的视频异常事件检测方法及装置，用以对拥挤人群场景下发生的异常事件进行检测。本发明实施例的方法中三维卷积神经网络正向传递过程中第N组卷积‑采样层中的卷积层上的每个卷积核对第N‑1组卷积‑采样层中的采样层的所有通道的所有特征图的数据进行卷积，由于最后一层卷积层对所有通道的所有特征图的数据进行卷积，从而可提取更具有表达能力的特征，从而可通过这些特征更好地描述拥挤人群场景下发生的异常事件，进而提高异常事件的检测的准确率。

技术领域

本发明涉及视频图像技术领域，尤其涉及一种三维卷积神经网络训练方法、一种基于三维卷积神经网络的视频异常事件检测方法及装置。

背景技术

随着经济的快速发展，在商场、体育场等公共场所中常常存在着人流高峰，而这些拥挤的人群对公共安全带来了极大的隐患。如果能够及时检测到监控视频中的异常行为，便可及时采取相应的解决方案，避免重大意外事件发生。

现有技术中用于对监控视频中的异常事件进行自动检测的方法需基于运动对象的跟踪，即通过不断检测运动对象运动轨迹，进行异常行为检测。该类方法异常行为检测效果在很大程度上依赖于运动对象跟踪的结果，因此该类方法仅适用于非拥挤场景中，但对于如商场、体育场等公共场所的拥挤场景，由于目标的互遮挡与自遮挡相当严重，导致有效的运动对象跟踪困难，因此在人群拥挤的场景下，基于运动对象跟踪的方法并不适用。

综上，亟需一种视频异常事件检测方法，用以对拥挤人群场景下发生的异常事件进行检测。

发明内容

本发明实施例提供一种三维卷积神经网络的训练方法、一种基于三维卷积神经网络的视频异常事件检测方法及装置，用以对拥挤人群场景下发生的异常事件进行检测。

本发明实施例提供一种三维卷积神经网络的训练方法，包括：

三维卷积神经网络中按照正向传递过程依次包含第一组至第N组卷积-采样层，每组卷积-采样层中按照正向传递过程包含一个卷积层和一个采样层，第N-1组卷积-采样层中的采样层与第N组卷积-采样层中的卷积层全连接，N>1；

三维卷积神经网络的训练方法包括：

执行正向传递过程，根据正向传递过程的输出结果，在三维卷积神经网络中执行反向传递过程，以修正三维卷积神经网络的模型参数；

正向传递过程包括：三维卷积神经网络接收待检测视频序列的特征块，针对特征块执行异常检测过程，根据待检测视频序列的每个特征块的异常事件检测结果确定待检测视频序列是否发生异常事件；

其中，第N组卷积-采样层中的卷积层上的每个卷积核对第N-1组卷积-采样层中的采样层的所有通道的所有特征图的数据进行卷积，并将通过卷积所得到的特征图信息输出给第N组卷积-采样层中的采样层进行采样处理。

三维卷积神经网络正向传递过程中第N组卷积-采样层中的卷积层上的每个卷积核对第N-1组卷积-采样层中的采样层的所有通道的所有特征图的数据进行卷积，由于最后一层卷积层对所有通道的所有特征图的数据进行卷积，从而可提取更具有表达能力的特征，从而可通过这些特征更好地描述拥挤人群场景下发生的异常事件，进而提高异常事件的检测的准确率。

较佳的，三维卷积神经网络接收待检测视频序列的特征块之前，还应做一些前期处理，如：对待检测的第i帧至第i+l帧的视频帧序列进行特征提取，并将第i帧至第i+l帧的视频帧序列切割为R×C×l的多个特征块；其中，i、l、R、C均为大于1的整数，R和C分别表示特征块的长度和宽度。