[发明专利]异常检测方法、模型的训练方法、装置、设备及存储介质

说明书

本申请公开了一种异常检测方法、模型的训练方法、装置、设备及存储介质，涉及计算机技术领域，尤其涉及计算机视觉、图像处理领域。本申请公开的异常检测方法包括：通过对获取的待检测视频进行预处理，得到多个管道类别的第一检测实例以及多个视频级别的第二检测实例，将这两种类别的检测实例输入至异常检测模型，得到待检测视频中目标对象存在异常的检测实例。其中，第一检测实例和第二检测实例均包括多个连续的图像帧，且两种类别的检测实例中的图像帧一一对应，第一检测实例中的图像帧尺寸小于第二检测实例中的图像帧尺寸。上述异常检测方法涉及对两种类别的检测实例进行异常检测，得到的视频异常检测结果更为准确。

技术领域

本申请实施例涉及计算机技术中的计算机视觉领域，尤其涉及一种异常检测方法、模型的训练方法、装置、设备及存储介质。

背景技术

监控视频的异常检测是计算机视觉中的一个重要研究领域，用于对监控视频进行智能分析，自动识别视频中的异常事件或监控对象的异常行为，例如火灾事故、人员聚集、车辆逆行等。目前该项技术广泛应用于智能交通、安防等领域。

现有技术中，监控视频异常检测大多都是基于监督学习。监督学习主要通过学习大量训练样本来构建预测模型，其中每个训练样本都有一个标签标明其真值输出。基于监督学习的异常检测方法只能检测监控视频中预先训练过的异常事件或行为，场景适应能力差，具有很大局限性。

发明内容

本申请提供了一种异常检测方法、模型的训练方法、装置、设备及存储介质，提高了异常检测的准确性。

第一方面，本申请提供一种异常检测方法，包括：获取待检测视频，待检测视频中包括目标对象；对待检测视频进行预处理，得到多个管道级别的第一检测实例和多个视频级别的第二检测实例，第一检测实例和第二检测实例均包括多个连续的图像帧，第一检测实例与第二检测实例中的图像帧一一对应，第一检测实例中的图像帧尺寸小于第二检测实例中的图像帧的尺寸；将多个第一检测实例和多个第二检测实例输入至异常检测模型，得到待检测视频中目标对象存在异常的检测实例。其中，异常检测模型包括第一子模型和第二子模型，第一子模型和第二子模型是基于不同的训练实例对初始模型进行训练得到的。

上述异常检测方法涉及对两种类别的检测实例进行异常检测，可实现时间维度和空间维度的视频异常定位，得到的视频异常检测结果更为准确。

第二方面，本申请提供一种异常检测模型的训练方法，异常检测模型包括第一子模型和第二子模型，方法包括：获取包括视频标签的视频样本，视频标签用于指示视频样本中目标对象是否存在异常；对视频样本进行预处理，得到多个管道级别的第一训练实例和多个视频级别的第二训练实例，第一训练实例和第二训练实例均包括多个连续的图像帧，第一训练实例中的所有图像帧中包括目标对象，第二训练实例中的部分图像帧中包括目标对象；根据多个第一训练实例输入至原始的第一子模型得到的第一分值集合，确定第一损失函数；根据多个第二训练实例输入至原始的第二子模型得到的第二分值集合，确定第二损失函数；根据第一损失函数和第二损失函数，确定异常检测模型的总损失函数；在总损失函数收敛时，将当前训练的第一子模型和当前训练的第二子模型组合，得到异常检测模型。

上述模型训练过程采用两种类别的训练实例分别对两个子模型进行训练，综合两个子模型的损失函数，得到异常检测准确率较高的异常检测模型。

第三方面，本申请提供一种异常检测装置，包括：获取模块，用于获取待检测视频，待检测视频中包括目标对象；处理模块，用于对待检测视频进行预处理，得到多个管道级别的第一检测实例和多个视频级别的第二检测实例，第一检测实例和第二检测实例均包括多个连续的图像帧，第一检测实例与第二检测实例中的图像帧一一对应，第一检测实例中的图像帧尺寸小于第二检测实例中的图像帧的尺寸；处理模块，还用于将多个第一检测实例和多个第二检测实例输入至异常检测模型，得到待检测视频中目标对象存在异常的检测实例。其中，异常检测模型包括第一子模型和第二子模型，第一子模型和第二子模型是基于不同的训练实例对初始模型进行训练得到的。