CN109034092A - 用于监控系统的异常事件检测方法 - Google Patents
用于监控系统的异常事件检测方法 Download PDFInfo
- Publication number
- CN109034092A CN109034092A CN201810902505.5A CN201810902505A CN109034092A CN 109034092 A CN109034092 A CN 109034092A CN 201810902505 A CN201810902505 A CN 201810902505A CN 109034092 A CN109034092 A CN 109034092A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- accident detection
- monitoring system
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本发明提供一种用于监控系统的异常事件检测方法,其包括以下步骤:S1、图像处理:在异常事件模型训练之前,进行图像预处理以及图像增强处理,以便将各种待检测的异常事件特征进行凸显,并将处理好的数据分为训练集和测试集;S2、模型训练:用处理好的训练集进行异常事件模型训练,首先进行异常事件模型初始化,然后设计网络结构,初始化网络参数,根据异常事件模型的训练要求,增加批归一化和Dropout训练技巧模块,最终获得训练好的异常事件检测模型;S3、异常事件检测:用测试集对所述训练好的模型进行异常事件检测,最后将检测的结果可视化在测试集上。本发明对多场景的异常事件检测有很强的泛化能力,并且对多种异常事件的检测都具有较高的准确率。
Description
技术领域
本发明涉及四种异常事件的检测方法,具体为一种用于监控系统的异常事件检测方法。
背景技术
近几年,监控系统广泛存在生活中的各行各业,以至目前监控摄像图在生活中随处可见。但传统的监控系统只能起视频录制的作用,对事件没有自动检测和识别的功能,如果发生恶性事件,需要相关人员临时查看录像,这么做不仅延误事件的处理,而且也很容易误报漏报。基于上述现实存在的问题,使得基于视觉的异常事件检测技术拥有广泛的应用场景,异常事件检测算法性能的好坏直接影响监控系统的实时性和准确性,对整个监控系统的应用价值起决定作用。
在不同应用上,异常事件检测的异常定义各异、高密度人群中遮挡现象严重、异常检测场景也具有多样性等,这些因素给异常事件检测的研究带来巨大的挑战。
异常事件检测过程一般由三大部分组成:图像处理,模型训练和模型检测。图像处理是指在模型训练前,尽可能的用图像处理算法将各种待测异常事件的特征凸显出来。然后用处理之后的图像进行模型训练,最后用训练好的模型检测测试集中的异常事件。
深度学习检测(deep learning detection)在异常事件检测中使用深度神经网络做为检测模型。由于深度神经网络模型过于复杂,训练过程中不仅计算量巨大,还容易过拟合。在训练的时候,为了防止这种现象的出现,使用了批归一化(Batch Normalization),Dropout等训练技巧。
发明内容
本发明针对现有技术的不足,提出一种用于监控系统的异常事件检测方法,不仅在精度上能超越一般的异常检测算法,更突出的是,本文的异常事件检测能适应多种现实场景,能够检测出多种异常事件行为。
具体地本发明提供一种用于监控系统的异常事件检测方法,其包括以下步骤:
S1、图像处理:在异常事件模型训练之前,进行图像预处理以及图像增强处理,以便将各种待检测的异常事件特征进行凸显,并将处理好的数据通过交叉验证,按照7:3的比例分为训练集和测试集;
S2、模型训练:用所述处理好的训练集进行异常事件模型训练,首先进行异常事件模型初始化,然后设计网络结构,初始化网络参数,根据异常事件模型的训练要求,增加批归一化和Dropout训练技巧模块,最终获得训练好的异常事件检测模型;
S3、异常事件检测:用测试集对所述训练好的模型进行异常事件检测,最后将检测的结果可视化在测试集上。
优选地,在所述步骤S1中的图像处理具体包括以下子步骤:
S11数据预处理:将视频集解析成视频帧图像,然后进行ROI处理、下采样处理和光流处理;
S12数据筛选:将数据集中无事件的图像过滤掉,保留有意义的图像,具体方法为通过像素之间的比对,首先求得向量的模长,然后计算内积,通过内积进行像素比对,得到无事件的图像,所述无事件的图像像素较空,图像内积较小;
S13数据增强:筛选出优质训练集之后,将筛选出的图像进行图像翻转变换,图像反射变换以及图像椒盐噪声处理,扩充训练集数量。
优选地,S11具体包括以下步骤:
①进行ROI处理:基于的原视频帧大小是1920*1080,通过多次场景分析,最终确定提取ROI设置的大小为700*700;首先定义一个700*700像素全为0的三通道目的图像Image1,然后在原视频帧中,指定适当位置,用原视频图像与Image1图像作“与”操作之后,获得的区域图像作为最终的ROI图像区域;
②直接将ROI处理之后的图像送到神经网络中去训练,在获取ROI图像区域之后又对其进行下采样处理:先定义一个指定大小像素全为0的三通道目的图像Image2,然后,采用最近邻插值算法,将图像下采样到指定尺寸;
③在进行ROI和下采样处理之后,给训练图像引入了运动信息,进行光流处理,用来捕获运动信息。
优选地,S13具体包括以下步骤:
①图翻转变换:将原坐标点(x0,y0)顺时针旋转a度之后,得到坐标(x*,y*),如果原坐标为x0=rcosb,y0=rsinb,其中,r表示原坐标点到坐标轴原点(0,0)的距离,b表示原坐标点到原点的直线与x轴的夹角。则翻转变化之后的像素点的坐标为
x*=rcosb-a=rcosbcosa+rsinbsina=x0cosa+y0sina,
y*=rsinb-a=rsinbcosa-rcosbsina=-x0sina+y0cosa;
②图像反射变换:变换前的一个坐标点为(x,y),则变换后的坐标x*=width-x-1y*=y;其中,width表示图像的宽度。
③椒盐噪声处理:椒盐噪声中一个重要的参数为信噪比D,一般情况D的取值范围为[0,1],指定信噪比,且获取了整个图像的像素数目M之后,计算加噪的像素数目;设加噪的像素数目为N,则N=M*(1-D),之后在原图中随机找到这N个像素点,将这N个像素点置225或者置0。
优选地,所述步骤S2用于监控系统的异常事件检测的模型训练过程如下:
S21、输入:图像处理之后的正负样本及标签S={(x1,y1),......,(xn,yn)},
其中yi={0,1}分别对应负样本和正样本,即正常事件和异常事件;
S22、参数设定:设置批训练大小b,测试准确率阈值α,最大训练次数β,学习率λ,冲量m和权重惩罚系数w,是否使用GPU参数。
S23、训练:训练集与参数准备好之后,便可以直接训练了。
优选地,步骤S21具体包括以下步骤:
①将所有正常事件的图片X1的标签设为0,作为训练集的负样本Neg={X1,0};
②将所有异常事件的图片X2的标签设为1,作为训练集的正样本Pos={X2,1};
③合并正负样本,将所有训练集送到网络中参与模型训练。
优选地,步骤S23具体包括以下步骤:
①使用Xavier初始化方法进行权重的初始化,Xavier初始化分布为其中ni表示第i个神经元节点。Xavier初始化权重的作用,能够在神经网络经过多层传输之后,还能够使得神经元信号保持在一个合理的范围内;
②将样本封装成LMDB格式的数据集;在中间层进行批归一化,首先计算上一层激活函数值的均值,然后计算上一层激活函数值的标准差,接着对本层特征数据归一化处理,最后重构本层数据特征,即为最终Batch Normalization的结果;
③计算输出层;通过Softmax函数预测每个样本的每种标签的输出概率,选取概率最大的标签,作为最终样本标签的预测。
本发明的有益效果:
①本发明根据异常事件特征,进行数据前期预处理。该过程首先将AVS格式的视频流解码,将视频文件转换成图像文件,然后对图像进行ROI处理,下采样处理以及光流处理。处理完毕后,为了防止后期模型训练出现过拟合现象,在原处理好的数据集基础上又进行翻转变换、反射变换和椒盐噪声处理,对数据集中的数据数量进行了扩充,最终完成数据前期处理。这种前期数据处理的过程,能够将多种异常特征凸显出来,便于后阶段的模型训练。
②本发明将深度学习理论应用在异常事件检测中,提高异常事件的检测效果。该过程首先将上一步处理好的数据集,采用卷积神经网络作为本文基本网络模型,调节网络各参数,并通过对数据进行批归一化(Batch Normalization)处理,使用Dropout随机忽略一些神经元和在网络最后一层应用全局平均池化代替全连接等方法,使模型更适用于异常事件的检测中。
③传统算法进行异常事件检测时,大多只能对特定场景或者特定异常有较好的检测效率,却不能应用到实际中,面对实际场景,很多传统算法根本达不到检测的要求。而本发明的算法,对多场景的异常事件检测有很强的泛化能力,并且对多种异常事件的检测都具有较高的准确率。
附图说明
图1为本发明的使用用于监控系统的异常事件检测方法的流程图;
图2为本发明的用于监控系统的异常事件检测方法中图像处理流程图;
图3为本发明的用于监控系统的异常事件检测方法中模型训练流程图;
图4为本发明的用于监控系统的异常事件检测方法中模型检测流程图。
具体实施方式
下面结合视频序列“PKU-SVD-B”的异常事件检测对本文提出的方法作进一步的说明:
本发明使用用于监控系统的异常事件检测方法,如图1所示,具体包含以下步骤:
步骤一,图像处理:由于异常事件是一种小概率事件,其本身不是某种特定的事件,不同的事件,特征各异。所以在进行模型训练的时候,需要根据特定的异常事件获取特定异常事件的特征。因此在训练模型之前需要将各种待检测的异常事件特征凸显出来。根据这种思路,本发明在异常事件检测模型训练之前,进行了一系列的图像处理工作。处理完毕之后,为了防止后期模型训练时出现过拟合现象,本发明还增加了多种图像增强处理方法。
步骤二,模型训练:用处理好的训练集进行异常事件模型训练。首先进行模型初始化,然后设计网络结构,初始化网络参数,根据异常事件模型训练要求,增加批归一化,Dropout等训练技巧,最终完成模型训练。
步骤三,异常事件检测:训练好模型之后,用测试集对训练好的模型进行异常事件检测,最后将检测的结果可视化在测试集上。
其中,步骤一中所述图像处理,如图2所示,具体包含以下步骤:
1)数据预处理:将视频集解析成视频帧图像,然后进行ROI处理,下采样处理和光流处理。其中,①进行ROI处理的主要过程为:本发明基于的原视频帧大小是1920*1080,通过多次对场景分析,最终确定提取ROI设置的大小为700*700。首先定义一个700*700像素全为0的三通道目的图像Image1,然后在原视频帧中,指定适当位置,用原视频图像与Image1图像作“与”操作之后,获得的区域图像作为最终的ROI图像区域。②直接将ROI处理之后的图像送到神经网络中去训练,700*700的分辨率对于深度学习的训练还是过大,还需要进一步缩小样本的分辨率大小,所以本发明在获取ROI图像区域之后又对其进行了下采样处理。进行下采样处理的主要过程为:先定义一个指定大小像素全为0的三通道目的图像Image2,然后,采用最近邻插值算法,将图像下采样到指定尺寸。③因为本发明中的异常事件存在一部分突发事件,而速度便是区别一些突发事件与正常事件最大的特征之一,所以在进行ROI和下采样处理之后,本发明还给训练图像引入了运动信息,光流的实质就是用来捕获运动信息;
2)数据筛选:由于数据集为视频集,里面存在大量无事件的视频帧,这些图像对模型训练毫无意义,所以我们将这些无事件的图像过滤掉,只保留有意义的图像,筛选的过程主要是通过像素之间的比对,首先求得向量的模长,然后计算内积,通过内积进行像素比对,一般无事件的图像,图像像素较空,图像内积较小。
3)数据增强:筛选出优质训练集之后,为了防止后期模型训练出现过拟合现象,将筛选出的图像进行图像翻转变换,图像反射变换以及图像椒盐噪声处理,扩充训练集数量,其中,①图翻转变换主要过程为:将原坐标点(x0,y0)顺时针旋转a度之后,得到坐标(x*,y*),如果原坐标为x0=rcosb,y0=rsinb,其中,r表示原坐标点到坐标轴原点(0,0)的距离,b表示原坐标点到原点的直线与x轴的夹角。则翻转变化之后的像素点的坐标为
x*=rcosb-a=rcosbcosa+rsinbsina=x0cosa+y0sina,
y*=rsinb-a=rsinbcosa-rcosbsina=-x0sina+y0cosa。②图像反射变换主要过程为:变换前的一个坐标点为(x,y),则变换后的坐标x*=width-x-1 y*=y。其中,width表示图像的宽度。③椒盐噪声处理的主要过程为:椒盐噪声中一个重要的参数为信噪比D,一般情况D的取值范围为[0,1],指定信噪比,且获取了整个图像的像素数目M之后,就可以计算加噪的像素数目了。设加噪的像素数目为N,则N=M*(1-D),有了这个数目之后,就在原图中随机找到这N个像素点,将这N个像素点置225或者置0。
其中步骤(2)用于监控系统的异常事件检测的模型训练过程如下:
1)输入:图像处理之后的正负样本及标签S={(x1,y1),......,(xn,yn)},其中yi={0,1}分别对应负样本和正样本,即正常事件和异常事件。
首先,将所有正常事件的图片X1的标签设为0,作为训练集的负样本Neg={X1,0};
然后,将所有异常事件的图片X2的标签设为1,作为训练集的正样本Pos={X2,1};
最后合并正负样本,将所有训练集送到网络中参与模型训练。
2)参数设定:设置批训练大小b,测试准确率阈值α,最大训练次数β,学习率λ,冲量m和权重惩罚系数w,是否使用GPU参数。
3)训练:训练集与参数准备好之后,便可以直接训练了。
首先,使用Xavier初始化方法进行权重的初始化,Xavier初始化分布为其中ni表示第i个神经元节点。Xavier初始化权重的作用,能够在神经网络经过多层传输之后,还能够使得神经元信号保持在一个合理的范围内。
然后,将样本封装成LMDB格式的数据集。考虑到将样本归一化之后,样本数据经过激活函数的非线性映射,样本数据分布又将重新打乱,不利于特征的提取,所以本发明在中间层也加了一种归一化的手段,叫批归一化(Batch Normalization),主要过程为:首先计算上一层激活函数值的均值,然后计算上一层激活函数值的标准差,接着对本层特征数据归一化处理,最后重构本层数据特征,即为最终Batch Normalization的结果。
最后,计算输出层。通过Softmax函数预测每个样本的每种标签的输出概率,选取概率最大的标签,作为最终样本标签的预测。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管为说明目的公开了本发明的最佳实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此本发明不应局限于最佳实施例和附图所公开的内容。
Claims (7)
1.一种用于监控系统的异常事件检测方法,其特征在于:其包括
以下步骤:
S1、图像处理:在异常事件模型训练之前,进行图像预处理以及图像增强处理,以便将各种待检测的异常事件特征进行凸显,并将处理好的数据按照7:3的比例分为训练集和测试集;
S2、模型训练:用所述处理好的训练集进行异常事件模型训练,首先进行异常事件模型初始化,然后设计网络结构,初始化网络参数,根据异常事件模型的训练要求,增加批归一化和Dropout训练技巧模块,最终获得训练好的异常事件检测模型;
S3、异常事件检测:用测试集对所述训练好的模型进行异常事件检测,最后将检测的结果可视化在测试集上。
2.根据权利要求1所述的用于监控系统的异常事件检测方法,其特征在于:在所述步骤S1中的图像处理具体包括以下子步骤:
S11数据预处理:将视频集解析成视频帧图像,然后进行ROI处理、下采样处理和光流处理;
S12数据筛选:将数据集中无事件的图像过滤掉,保留有意义的图像,具体方法为通过像素之间的比对,首先求得向量的模长,然后计算内积,通过内积进行像素比对,得到无事件的图像,所述无事件的图像像素较空,图像内积较小;
S13数据增强:筛选出优质训练集之后,将筛选出的图像进行图像翻转变换,图像反射变换以及图像椒盐噪声处理,扩充训练集数量。
3.根据权利要求2所述的用于监控系统的异常事件检测方法,其特征在于:S11具体包括以下步骤:
①进行ROI处理:基于的原视频帧大小是1920*1080,通过多次场景分析,最终确定提取ROI设置的大小为700*700;首先定义一个700*700像素全为0的三通道目的图像Image1,然后在原视频帧中,指定适当位置,用原视频图像与Image1图像作“与”操作之后,获得的区域图像作为最终的ROI图像区域;
②直接将ROI处理之后的图像送到神经网络中去训练,在获取ROI图像区域之后又对其进行下采样处理:先定义一个指定大小像素全为0的三通道目的图像Image2,然后,采用最近邻插值算法,将图像下采样到指定尺寸;
③在进行ROI和下采样处理之后,给训练图像引入了运动信息,进行光流处理,用来捕获运动信息。
4.根据权利要求2所述的用于监控系统的异常事件检测方法,其特征在于:S13具体包括以下步骤:
①图翻转变换:将原坐标点(x0,y0)顺时针旋转a度之后,得到坐标(x*,y*),如果原坐标为x0=rcosb,y0=rsinb,其中,r表示原坐标点到坐标轴原点(0,0)的距离,b表示原坐标点到原点的直线与x轴的夹角,则翻转变化之后的像素点的坐标为
x*=rcosb-a=rcosbcosa+rsinbsina=x0cosa+y0sina,
y*=rsinb-a=rsinbcosa-rcosbsina=-x0sina+y0cosa;
②图像反射变换:变换前的一个坐标点为(x,y),则变换后的坐标x*=width-x-1 y*=y;其中,width表示图像的宽度;
③椒盐噪声处理:椒盐噪声中一个重要的参数为信噪比D,一般情况D的取值范围为[0,1],指定信噪比,且获取了整个图像的像素数目M之后,计算加噪的像素数目;设加噪的像素数目为N,则N=M*(1-D),之后在原图中随机找到这N个像素点,将这N个像素点置225或者置0。
5.根据权利要求1所述的用于监控系统的异常事件检测方法,其特征在于:所述步骤S2用于监控系统的异常事件检测的模型训练过程如下:
S21、输入:图像处理之后的正负样本及标签S={(x1,y1),......,(xn,yn)},
其中yi={0,1}分别对应负样本和正样本,即正常事件和异常事件;
S22、参数设定:设置批训练大小b,测试准确率阈值α,最大训练次数β,学习率λ,冲量m和权重惩罚系数w,是否使用GPU参数;
S23、训练:训练集与参数准备好之后,便可以直接训练了。
6.根据权利要求5所述的用于监控系统的异常事件检测方法,其特征在于:
步骤S21具体包括以下步骤:
①将所有正常事件的图片X1的标签设为0,作为训练集的负样本Neg={X1,0};
②将所有异常事件的图片X2的标签设为1,作为训练集的正样本Pos={X2,1};
③合并正负样本,将所有训练集送到网络中参与模型训练。
7.根据权利要求5所述的用于监控系统的异常事件检测方法,其特征在于:
步骤S23具体包括以下步骤:
①使用Xavier初始化方法进行权重的初始化,Xavier初始化分布为其中ni表示第i个神经元节点,Xavier初始化权重的作用,能够在神经网络经过多层传输之后,还能够使得神经元信号保持在一个合理的范围内;
②将样本封装成LMDB格式的数据集;在中间层进行批归一化,首先计算上一层激活函数值的均值,然后计算上一层激活函数值的标准差,接着对本层特征数据归一化处理,最后重构本层数据特征,即为最终Batch Normalization的结果;
③计算输出层;通过Softmax函数预测每个样本的每种标签的输出概率,选取概率最大的标签,作为最终样本标签的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902505.5A CN109034092A (zh) | 2018-08-09 | 2018-08-09 | 用于监控系统的异常事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902505.5A CN109034092A (zh) | 2018-08-09 | 2018-08-09 | 用于监控系统的异常事件检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034092A true CN109034092A (zh) | 2018-12-18 |
Family
ID=64632461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902505.5A Pending CN109034092A (zh) | 2018-08-09 | 2018-08-09 | 用于监控系统的异常事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034092A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445363A (zh) * | 2018-12-21 | 2019-03-08 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于异常检测算法的施工现场动态安全监测系统 |
CN109685131A (zh) * | 2018-12-20 | 2019-04-26 | 斑马网络技术有限公司 | 汽车车机系统异常识别方法及装置 |
CN109916989A (zh) * | 2019-04-01 | 2019-06-21 | 山东博戎伝创信息科技有限公司 | 一种基于人工智能的有机物检测方法、装置及系统 |
CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
CN111160485A (zh) * | 2019-12-31 | 2020-05-15 | 中国民用航空总局第二研究所 | 基于回归训练的异常行为检测方法、装置及电子设备 |
CN111582235A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于实时监控站内异常事件的警报方法、系统及设备 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN112329614A (zh) * | 2020-11-04 | 2021-02-05 | 湖北工业大学 | 一种异常事件检测方法及系统 |
CN112446428A (zh) * | 2020-11-27 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像数据处理方法及装置 |
CN112528801A (zh) * | 2020-12-02 | 2021-03-19 | 上海高德威智能交通系统有限公司 | 一种异常事件检测方法、模型训练方法和装置 |
CN113177640A (zh) * | 2021-05-31 | 2021-07-27 | 重庆大学 | 一种离散异步事件数据增强方法 |
CN114697139A (zh) * | 2022-05-25 | 2022-07-01 | 杭州海康威视数字技术股份有限公司 | 基于特征迁移的设备异常检测、训练方法、系统和装置 |
WO2023042000A1 (en) * | 2021-09-20 | 2023-03-23 | International Business Machines Corporation | Graph neural network (gnn) training using meta-path neighbor sampling and contrastive learning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608479A (zh) * | 2016-03-01 | 2016-05-25 | 北京正安维视科技股份有限公司 | 结合深度数据的异常行为检测方法及系统 |
CN106778595A (zh) * | 2016-12-12 | 2017-05-31 | 河北工业大学 | 基于高斯混合模型的人群中异常行为的检测方法 |
CN107590477A (zh) * | 2017-09-22 | 2018-01-16 | 成都考拉悠然科技有限公司 | 一种监控视频异常事件的检测装置及其方法 |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
-
2018
- 2018-08-09 CN CN201810902505.5A patent/CN109034092A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608479A (zh) * | 2016-03-01 | 2016-05-25 | 北京正安维视科技股份有限公司 | 结合深度数据的异常行为检测方法及系统 |
CN106778595A (zh) * | 2016-12-12 | 2017-05-31 | 河北工业大学 | 基于高斯混合模型的人群中异常行为的检测方法 |
CN107590477A (zh) * | 2017-09-22 | 2018-01-16 | 成都考拉悠然科技有限公司 | 一种监控视频异常事件的检测装置及其方法 |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
Non-Patent Citations (1)
Title |
---|
陈强普等: ""BN对VGG神经网络的影响研究"", 《合肥工业大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685131A (zh) * | 2018-12-20 | 2019-04-26 | 斑马网络技术有限公司 | 汽车车机系统异常识别方法及装置 |
CN109445363A (zh) * | 2018-12-21 | 2019-03-08 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于异常检测算法的施工现场动态安全监测系统 |
CN109916989B (zh) * | 2019-04-01 | 2021-12-10 | 山东博戎伝创信息科技有限公司 | 一种基于人工智能的有机物检测方法、装置及系统 |
CN109916989A (zh) * | 2019-04-01 | 2019-06-21 | 山东博戎伝创信息科技有限公司 | 一种基于人工智能的有机物检测方法、装置及系统 |
CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
CN111160485A (zh) * | 2019-12-31 | 2020-05-15 | 中国民用航空总局第二研究所 | 基于回归训练的异常行为检测方法、装置及电子设备 |
CN111160485B (zh) * | 2019-12-31 | 2022-11-29 | 中国民用航空总局第二研究所 | 基于回归训练的异常行为检测方法、装置及电子设备 |
CN111582235A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于实时监控站内异常事件的警报方法、系统及设备 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN112329614A (zh) * | 2020-11-04 | 2021-02-05 | 湖北工业大学 | 一种异常事件检测方法及系统 |
CN112446428A (zh) * | 2020-11-27 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像数据处理方法及装置 |
CN112446428B (zh) * | 2020-11-27 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像数据处理方法及装置 |
CN112528801A (zh) * | 2020-12-02 | 2021-03-19 | 上海高德威智能交通系统有限公司 | 一种异常事件检测方法、模型训练方法和装置 |
CN112528801B (zh) * | 2020-12-02 | 2024-02-02 | 上海高德威智能交通系统有限公司 | 一种异常事件检测方法、模型训练方法和装置 |
CN113177640A (zh) * | 2021-05-31 | 2021-07-27 | 重庆大学 | 一种离散异步事件数据增强方法 |
WO2023042000A1 (en) * | 2021-09-20 | 2023-03-23 | International Business Machines Corporation | Graph neural network (gnn) training using meta-path neighbor sampling and contrastive learning |
CN114697139A (zh) * | 2022-05-25 | 2022-07-01 | 杭州海康威视数字技术股份有限公司 | 基于特征迁移的设备异常检测、训练方法、系统和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034092A (zh) | 用于监控系统的异常事件检测方法 | |
CN109919031B (zh) | 一种基于深度神经网络的人体行为识别方法 | |
CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN104123545B (zh) | 一种实时表情特征提取及表情识别方法 | |
CN101894276B (zh) | 人体动作识别的训练方法和识别方法 | |
CN111914917A (zh) | 一种基于特征金字塔网络和注意力机制的目标检测改进算法 | |
CN105488456B (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN110147771A (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 | |
CN110175504A (zh) | 一种基于多任务级联卷积网络的目标检测和对齐方法 | |
CN113139489B (zh) | 基于背景提取和多尺度融合网络的人群计数方法及系统 | |
CN110827265B (zh) | 基于深度学习的图片异常检测方法 | |
CN109145836A (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
CN109948616A (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN107622280B (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN114283469A (zh) | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统 | |
CN112464701A (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
CN110246171B (zh) | 一种实时单目视频深度估计方法 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN110490055A (zh) | 一种基于三重编码的弱监督行为识别定位方法和装置 | |
CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN115578770A (zh) | 基于自监督的小样本面部表情识别方法及系统 | |
CN116052271A (zh) | 一种基于CenterNet的实时吸烟检测方法及装置 | |
CN115205604A (zh) | 基于改进YOLOv5的化工生产过程中安全防护品佩戴检测方法 | |
CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |