[发明专利]一种基于动作预测的视频异常行为检测方法

说明书

本发明公开了一种基于动作预测的视频异常行为检测方法，具体步骤包括：设计对抗生成网络模型，所设计的对抗生成网络模型包括生成器和判别器；搭建生成器的编码部分；搭建生成器的解码部分；搭建判别器；训练对抗生成网络模型的生成器和判别器；根据得到的最佳生成器网络，对视频中发生的异常事件进行检测。本发明通过利用一部分正常行为的视频统计其生成误差，根据不同场景以及时间变化动态生成异常检出阈值，能够应用于更多不同的场景，增加鲁棒性。

技术领域

本发明涉及图像与视频处理领域，尤其涉及一种基于动作预测的视频异常行为检测方法。

背景技术

视频检测是计算机视觉领域的重要应用之一，而其中的视频异常行为检测作为智能视频监控中不可或缺的重要组成部分，目的是为了及时发现监控视频中的异常行为，能够有效地帮助监控人员处理异常行为。

异常行为检测方法的关键问题之一是从原始视频中提取相关特征，以便对不同类型的异常进行良好的分类。在传统的特征提取方法中，最常用的是使用空间和时间特征来对行为模式进行建模。空间和时间特征都是基于计算机视觉而提出的，比如方向梯度直方图、光流直方图、社会力模型、密集轨迹和动态纹理。但人工设计的特征需要一定的先验知识，所述先验知识主要依赖于监视目标，并且很难在不同的应用中定义。

与传统的人工设计的特征不同，通过深度神经网络能够自动提取得到良好的特征。随着技术发展，深度神经网络在图像分类，图像目标识别等领域取得了巨大的成功，得到了比传统方法更高的准确率。而深度学习在视频异常识别方面也取得了不错的成绩。由于异常行为检测与一般的动作识别和动作检测相比具有异常种类多、异常行为样本少等特点，从而难以通过人工设计行为模式或利用训练数据通过一般的深度学习方法来得到准确度较高的分类器。与正常行为相比，异常行为通常具有不可预知性、突发性大等特点。根据异常行为的不可预知性即异常行为的结果通常与预测不一致的特点，现有技术中利用长短时循环神经网络预测行人轨迹并通过统计预测结果与真实结果的误差来检测视频中的异常行为，所述方法取得了不错的结果。但该方法更实用于人流密集的场景，对于一些异常发生时运动轨迹没有发生改变的场景适用性较低，对于有跑步、跳跃等行为引发的异常事件在检测时，存在鲁棒性较低的缺陷。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于动作预测的视频异常行为检测方法。本发明能够更好地提升卷积神经网络在视频一场行为检测任务中的性能和泛化能力。

本发明的目的能够通过以下技术方案实现：

一种基于动作预测的视频异常行为检测方法，具体步骤包括：

设计对抗生成网络模型，所设计的对抗生成网络模型包括生成器和判别器；

搭建生成器的编码部分；

搭建生成器的解码部分；

搭建判别器；

训练对抗生成网络模型的生成器和判别器；

根据得到的最佳生成器网络，对视频中发生的异常事件进行检测。

具体地，所述搭建生成器的编码部分步骤中包括动作特征提取模块和图形特征提取模块。

在动作特征提取模块中，利用三维卷积的方法提取观测视频的动作特征，形成动作特征图；

在图形特征提取模块中，利用二维卷积的方法提取观测视频最后一帧的图形特征，形成图形特征图；

将动作特征图与图形特征图结合，作为对视频的编码。