[发明专利]用于监控系统的异常事件检测方法

说明书

本发明提供一种用于监控系统的异常事件检测方法，其包括以下步骤：S1、图像处理：在异常事件模型训练之前，进行图像预处理以及图像增强处理，以便将各种待检测的异常事件特征进行凸显，并将处理好的数据分为训练集和测试集；S2、模型训练：用处理好的训练集进行异常事件模型训练,首先进行异常事件模型初始化，然后设计网络结构，初始化网络参数，根据异常事件模型的训练要求，增加批归一化和Dropout训练技巧模块，最终获得训练好的异常事件检测模型；S3、异常事件检测：用测试集对所述训练好的模型进行异常事件检测，最后将检测的结果可视化在测试集上。本发明对多场景的异常事件检测有很强的泛化能力，并且对多种异常事件的检测都具有较高的准确率。

技术领域

本发明涉及四种异常事件的检测方法，具体为一种用于监控系统的异常事件检测方法。

背景技术

近几年，监控系统广泛存在生活中的各行各业，以至目前监控摄像图在生活中随处可见。但传统的监控系统只能起视频录制的作用，对事件没有自动检测和识别的功能，如果发生恶性事件，需要相关人员临时查看录像，这么做不仅延误事件的处理，而且也很容易误报漏报。基于上述现实存在的问题，使得基于视觉的异常事件检测技术拥有广泛的应用场景，异常事件检测算法性能的好坏直接影响监控系统的实时性和准确性，对整个监控系统的应用价值起决定作用。

在不同应用上，异常事件检测的异常定义各异、高密度人群中遮挡现象严重、异常检测场景也具有多样性等，这些因素给异常事件检测的研究带来巨大的挑战。

异常事件检测过程一般由三大部分组成：图像处理，模型训练和模型检测。图像处理是指在模型训练前，尽可能的用图像处理算法将各种待测异常事件的特征凸显出来。然后用处理之后的图像进行模型训练，最后用训练好的模型检测测试集中的异常事件。

深度学习检测(deep learning detection)在异常事件检测中使用深度神经网络做为检测模型。由于深度神经网络模型过于复杂，训练过程中不仅计算量巨大，还容易过拟合。在训练的时候，为了防止这种现象的出现，使用了批归一化(Batch Normalization),Dropout等训练技巧。

发明内容

本发明针对现有技术的不足，提出一种用于监控系统的异常事件检测方法，不仅在精度上能超越一般的异常检测算法，更突出的是，本文的异常事件检测能适应多种现实场景，能够检测出多种异常事件行为。

具体地本发明提供一种用于监控系统的异常事件检测方法，其包括以下步骤：

S1、图像处理：在异常事件模型训练之前，进行图像预处理以及图像增强处理，以便将各种待检测的异常事件特征进行凸显，并将处理好的数据通过交叉验证，按照7:3的比例分为训练集和测试集；

S2、模型训练：用所述处理好的训练集进行异常事件模型训练,首先进行异常事件模型初始化，然后设计网络结构，初始化网络参数，根据异常事件模型的训练要求，增加批归一化和Dropout训练技巧模块，最终获得训练好的异常事件检测模型；

S3、异常事件检测：用测试集对所述训练好的模型进行异常事件检测，最后将检测的结果可视化在测试集上。

优选地，在所述步骤S1中的图像处理具体包括以下子步骤：

S11数据预处理：将视频集解析成视频帧图像，然后进行ROI处理、下采样处理和光流处理；

S12数据筛选:将数据集中无事件的图像过滤掉，保留有意义的图像，具体方法为通过像素之间的比对，首先求得向量的模长，然后计算内积，通过内积进行像素比对，得到无事件的图像，所述无事件的图像像素较空，图像内积较小；

S13数据增强:筛选出优质训练集之后，将筛选出的图像进行图像翻转变换，图像反射变换以及图像椒盐噪声处理，扩充训练集数量。

优选地，S11具体包括以下步骤：