[发明专利]基于半监督学习的视频异常检测方法和装置

权利要求书

1.一种基于半监督学习的视频异常检测方法，其特征在于，包括以下步骤：

将视频数据按顺序切分成u×v帧视频图像，其中，从头开始每相邻时序的v帧视频称为一个包，每个视频可分为u个包，u和v为正整数；

分别对每个包进行特征提取，获得对应的视频特征，其中，每个视频有u个视频特征向量；

根据所述视频特征获得视频特征的平均向量和重要性向量，并根据所述视频特征的平均向量获取滤波区分性很强特征的掩膜，以及根据所述视频特征的平均向量、所述掩膜和所述重要性向量获取神经网络的辍学层；

根据所述辍学层和所述视频特征向量获得修饰后的特征，并根据所述修饰后的特征获取训练参数，其中，将所述辍学层与所述视频特征向量进行点乘，以得到所述修饰后的特征；

在测试时，按相邻的包获得所述修饰后的特征输入全连接网络，计算得到每个包的得分，并根据所述得分判定相关位置是否发生异常。

2.根据权利要求1所述的基于半监督学习的视频异常检测方法，其特征在于，通过下述公式计算获得所述重要性向量F_s：

其中，Sigmoid函数表达式为，表示视频特征的平均向量。

3.根据权利要求2所述的基于半监督学习的视频异常检测方法，其特征在于，通过下述公式计算获得所述神经网络的辍学层F_d：

其中，，α为预设系数，且，S为[0,1]之间的随机数，为掩膜。

4.根据权利要求3所述的基于半监督学习的视频异常检测方法，其特征在于，通过下述训练模型获得训练参数，

其中，，，，a₁、a₂为超参数，为异常视频的特征，为正常视频的特征，，1≤i≤u，表示对相应的u个特征通过全连接网络G后的最后得分取最大值。

5.根据权利要求1所述的基于半监督学习的视频异常检测方法，其特征在于，全连接网络G的表达式为：

其中，为修饰后的特征，和，，为待训练参数，的表达式为，当x为向量时，对向量中的每个元素进行操作。

6.根据权利要求1所述的基于半监督学习的视频异常检测方法，其特征在于，根据所述视频特征的平均向量获取滤波区分性很强特征的掩膜，包括：

当所述视频特征的平均向量小于或等于其对应的最大元素与预设系数的乘积时，所述掩膜中相应位置的元素值为1；

当所述视频特征的平均向量大于其对应的最大元素与预设系数的乘积时，所述掩膜中相应位置的元素值为0。

7.根据权利要求1所述的基于半监督学习的视频异常检测方法，其特征在于，根据所述得分判定相关位置是否发生异常，包括：

判断所述得分是否大于预设阈值；

如果大于，则判断当前画面为异常画面，以确定视频中的异常位置。

8.一种基于半监督学习的视频异常检测装置，其特征在于，包括：

视频切分模块，用于将视频数据按顺序切分成u×v帧视频图像，其中，从头开始每相邻时序的v帧视频称为一个包，每个视频可分为u个包，u和v为正整数；

视频特征提取模块，用于分别对每个包进行特征提取，获得对应的视频特征，其中，每个视频有u个视频特征向量；

神经网络训练模块，用于根据所述视频特征获得视频特征的平均向量和重要性向量，并根据所述视频特征的平均向量获取滤波区分性很强特征的掩膜，以及根据所述视频特征的平均向量、所述掩膜和所述重要性向量获取神经网络的辍学层，并根据所述辍学层和所述视频特征向量获得修饰后的特征，并根据所述修饰后的特征获取训练参数，其中，将所述辍学层与所述视频特征向量进行点乘，以得到所述修饰后的特征；

模型测试模块，用于在测试时，按相邻的包获得所述修饰后的特征输入全连接网络，计算得到每个包的得分，并根据所述得分判定相关位置是否发生异常。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据权利要求1-7中任一项所述的基于半监督学习的视频异常检测方法。