[发明专利]基于半监督学习的视频异常检测方法和装置

说明书

本发明提供一种基于半监督学习的视频异常检测方法和装置，将视频数据按顺序切分成u×v帧视频图像；分别对每个包进行特征提取，获得对应的视频特征；根据视频特征获得视频特征的平均向量和重要性向量，并根据视频特征的平均向量获取滤波区分性很强特征的掩膜，以及根据视频特征的平均向量、掩膜和重要性向量获取神经网络的辍学层；根据辍学层和视频特征向量获得修饰后的特征，并根据修饰后的特征获取训练参数；在测试时，按相邻的包获得修饰后的特征输入全连接网络，计算得到每个包的得分，并根据得分判定相关位置是否发生异常。本发明能够隐藏视频特征中最有区分的部分来捕捉整体信息，并能突出区分性很强的信息区域来增强神经网络的识别能力。

技术领域

本发明涉及视频检测技术领域，具体涉及一种基于半监督学习的视频异常检测方法、一种基于半监督学习的视频异常检测装置、一种计算机设备和一种计算机程序产品。

背景技术

在现代社会中，视频监控技术成为目前最重要的安防监控手段。然而，普通的监控视频处理方法需要管理人员对监控画面进行查看，当监控数据很大时，专人观察非常容易疲劳，易出现漏检现象。因此，判断视频是否有异常以及定位视频中异常的部分成为监控管理的迫切需求。

相关技术中将视频的一部分画面输入到C3D网络（3D卷积神经网络）等来获得这部分的视频特征，然后将这部分特征输入全链接网络计算异常得分，最后根据各部分的异常得分取最大值来预测视频中是否发生异常事件，同时根据各部分的得分来定位视频中发生异常的位置。

但是上述方案中异常得分的贡献主要由一些显著的局部特征所确定，而在有些视频中需要神经网络对视频全局的理解才能确定是否发生了异常，因此仅仅只考虑一些区分性很强的局部特征来判定可能不准确。

发明内容

本发明为解决上述技术问题，提供了一种基于半监督学习的视频异常检测方法，能够隐藏视频特征中最有区分的部分来捕捉整体信息，并能突出区分性很强的信息区域来增强神经网络的识别能力。

本发明采用的技术方案如下：

一种基于半监督学习的视频异常检测方法，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；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。

根据本发明的一个实施例，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，F_m表示视频特征的平均向量。

根据本发明的一个实施例，通过下述公式计算获得所述神经网络的辍学层F_d：

其中，，其中，α为预设系数，且，S为[0,1]之间的随机数，为掩膜。

根据本发明的一个实施例，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，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。

根据本发明的一个实施例，全连接网络G的表达式为：