[发明专利]一种监控视频中的真实异常检测方法

说明书

本发明提供一种监控视频中的真实异常检测方法，将监控视频分成多个片段，根据所述多个片段获取包含第一标签的正包和包含第二标签的负包，所述正包包含至少一个正样本，所述负包包含至少一个负样本；将包含正包和负包的训练集导入C3D网络中，并对每个分割片段进行时空特征提取，经过神经网络后对每一个分割片段进行打分，分别返回正包中得分最高的异常片段和负包中得分最高的异常片段，负包中得分最高的异常片段作为优化的分界面，优化后即可以在若监督中学习一个健壮的分类器并根据优化函数进行优化等步骤，来检测监控视频中的真实世界异常。

技术领域

本发明涉及视频处理技术改进领域，特别是涉及一种监控视频中的真实异 常检测方法。

背景技术

监控摄像头越来越多地应用于公共场所，如街道、十字路口、银行、购物 中心等，以提高公共安全。视频监控的一个关键任务是检测异常事件，一般来 说，与正常活动相比，异常事件很少发生。

因此，为了减轻人工和时间的浪费，开发用于视频异常自动检测的智能计 算机视觉算法是当务之急。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种监控视频中的 真实异常检测方法，监控视频中的真实异常检测方法，通过我们提出了一种深 度学习方法来检测监控视频中的真实世界异常，由于这些实际异常的复杂性， 仅使用正常数据可能不是异常检测的最佳方法，我们试图利用正常和异常的监 控录像。为了避免训练视频中对异常片段进行耗时的标注，我们学习了一种使 用弱标记数据的深度多示例排序框架进行异常检测的通用模型，为了验证所提 出的方法，一个新的大规模异常数据集组成的各种真实世界的异常被引入。

为实现上述目的及其他相关目的，本发明提供一种监控视频中的真实异常 检测方法，所述方法包括步骤：

S1：将监控视频分成多个片段，根据所述多个片段获取包含第一标签的正 包和包含第二标签的负包，所述正包包含至少一个正样本，所述负包包含至少 一个负样本；

S2：将包含正包和负包的训练集导入C3D网络中，并对每个分割片段进行 时空特征提取，经过神经网络后对每一个分割片段进行打分，分别返回正包中 得分最高的异常片段和负包中得分最高的异常片段，负包中得分最高的异常片 段作为优化的分界面，优化后即可以在若监督中学习一个健壮的分类器并根据 优化函数进行优化；

S3：根据S2所得到的优化器函数进行损失函数的定义和计算，损失函数定 义为成异常事件与正常事件异常值的排序；

S4：通过排名损失函数反向传播可计算出相应的阈值，以在没有超过异常 的阈值的情况下，正示例和负示例在异常得分方面相距很远；

S5：通过最小化相邻视频片段的分数差来加强时间上相邻视频片段的异常 分数之间的时间平滑性；

S6：通过多次迭代，获得目标函数，

其中，ω代表模型权重，β_a，β_n分别是指正包和负包， ι(β_a，β_n)函数是指排序损失函数。

具体的，所述优化函数的具体表达为：

其中，为第j个训练样本的包级标签，β_j是第j个实例，参数i 是从实例级标签中取值，z为包的总数，j是第j个包，φ(x_i)为视频片段的 特征表示，b为偏置，k为训练示例总数，w为待学习的分类器。

具体的，所述排名损失函数的具体表达为：