[发明专利]视频异常检测、模型训练方法、设备、模型及存储介质

说明书

本申请实施例提供一种视频异常检测、模型训练方法、设备、模型及存储介质。在本申请实施例中，以目标场景下的正常视频样本作为训练样本，利用检测模型预测正常视频样本中至少一个样本视频帧的样本未来帧的视觉特征，并计算样本视频帧和对应的样本未来帧之间的视觉特征误差；以视觉特征误差在时域上的波动状态达到目标状态为约束条件，对检测模型进行训练。据此，训练后的检测模型可保证目标场景下正常视频的视觉特征误差在时域上的波动状态趋于目标状态，而异常视频的视觉特征误差在时域上的波动状态则会偏离目标状态，基于此，可将视觉特征误差的时域波动情况作为判断视频中是否出现异常的有效依据，从而快速准确地分辨出目标场景下异常视频。

技术领域

本申请涉及视频处理技术领域，尤其涉及一种视频异常检测、模型训练方法、设备、模型及存储介质。

背景技术

视频异常检测旨在自动感知视频序列中的异常事件。

在自然场景中，异常事件可能导致危险，甚至可能造成严重损坏，例如火灾、爆炸等，因此，在实践中，很难获得大量的包含异常事件的训练样本。这样，在异常数据严重缺乏的情况下，使用传统的全监督方式训练出的检测模型性能不佳，甚至可能无法完成训练。

因此，亟需一种能够改善视频异常检测困境的方案。

发明内容

本申请的多个方面提供一种视频异常检测、模型训练方法、设备、模型及存储介质，用以提高视频异常检测的准确度。

本申请实施例提供一种模型训练方法，包括：

将目标场景下的正常视频样本输入用于视频异常检测的检测模型；

利用所述检测模型，分别预测所述正常视频样本中至少一个样本视频帧的样本未来帧的视觉特征；并计算所述至少一个样本未来帧与其在所述正常视频样本中对应的样本视频帧之间的视觉特征误差；

以所述视觉特征误差在时域上的波动状态达到目标状态为第一约束条件，对所述检测模型进行训练，以供所述检测模型获得所述目标场景下的模型参数。

本申请实施例还提供一种视频异常检测方法，适用于检测模型，包括：

获取待检测视频；

分别预测所述待检测视频中至少一个视频帧的未来帧的视觉特征；

计算所述至少一个未来帧与其在所述待检测视频帧中对应的视频帧之间的视觉特征误差；

若所述视觉特征误差在时域上的波动状态存在不满足目标状态的异常状态，则确定所述待检测视频存在异常；

其中，所述目标状态为在所述检测模型进行训练过程中针对正常视频的视觉特征误差在时域上的波动状态设定的约束条件。

本申请实施例还提供一种视频异常检测方法，包括：

响应于调用目标服务的请求，确定所述目标服务对应的处理资源，利用所述目标服务对应的处理资源执行如下步骤：

获取待检测视频；

分别预测所述待检测视频中至少一个视频帧的未来帧的视觉特征；

计算所述至少一个未来帧与其在所述待检测视频帧中对应的视频帧之间的视觉特征误差；

若所述视觉特征误差在时域上的波动状态存在不满足目标状态的异常状态，则确定所述待检测视频存在异常；

其中，所述目标状态为在所述检测模型进行训练过程中针对正常视频的视觉特征误差在时域上的波动状态设定的约束条件。

本申请实施例还提供一种检测模型，包括编码器、记忆单元和处理器；

所述编码器，用于获取待检测视频；并提取所述待检测视频中至少一个视频帧的视觉特征；