CN110858288A - 一种异常行为的识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种异常行为的识别方法及装置，其中方法包括：获取在预设拍摄区域实时拍摄得到的待检测视频数据；根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。本发明实施例实现了幼儿园中儿童异常行为的实时监测。

Description

一种异常行为的识别方法及装置

技术领域

本发明实施例涉及异常行为识别技术领域，尤其涉及一种异常行为的识别方法及装置。

背景技术

目前为了保证幼儿园中儿童的身心安全，通常会运用互联网等信息化手段，加强对幼儿园中儿童托育的全过程监管。其中，大部分幼儿园中均安装有视频监控系统，通过人工对视频监控系统进行现场值守和回溯来查看异常。

但是，很多幼儿园中的视频监控形同虚设，例如一个幼儿园内安装有几十个监控摄像头，但仅有一两个工作人员甚至没有工作人员对该几十个监控摄像头进行监控，这导致不能毫无遗漏的发现所有监控摄像头所监控到的异常情况。此外，当家长需要调用监控录像时，通常会出现录像被认为损坏或者录像已过最长保存时效的问题，这同样导致无法满足家长对幼儿园视频监控的需求。

发明内容

本发明实施例提供一种异常行为的识别方法及装置，以解决现有技术中不能实时监测幼儿园中出现的儿童异常行为的问题。

针对上述问题，第一方面，本发明实施例提供一种异常行为的识别方法，所述方法包括：

获取在预设拍摄区域实时拍摄得到的待检测视频数据；

根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；

当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

第二方面，本发明实施例提供一种异常行为的识别装置，所述装置包括：

第一获取模块，用于获取在预设拍摄区域实时拍摄得到的待检测视频数据；

第二获取模块，用于根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；

确定模块，用于当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

第三方面，本发明实施例提供一种电子设备，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计算机程序时实现所述的异常行为的识别方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的异常行为的识别方法的步骤。

本发明实施例提供的异常行为的识别方法及装置，通过获取在预设拍摄区域实时拍摄得到的待检测视频数据，然后根据预先训练得到的视频检测模型，对待检测视频数据是否为异常视频数据进行检测，得到检测结果，并在当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为，实现了通过视频检测模型对预设拍摄区域是否存在异常行为的实时准确检测，避免了现有技术中需要通过人力不间断监控预设拍摄区域中的摄像头来发现异常情况的问题，从而避免了现有技术中不能实时且准确的发现幼儿园中儿童异常情况的问题，在节约了人力的同时，实现了实时且准确的监测幼儿园中的儿童异常行为。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1表示本发明实施例中异常行为的识别方法的步骤流程图；

图2表示本发明实施例中搭建并训练得到视频检测模型的步骤流程图；

图3表示本发明实施例中异常行为的识别装置的模块框图；

图4表示本发明实施例中电子设备的模块框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例中异常行为的识别方法的步骤流程图，该方法包括如下步骤：

步骤101：获取在预设拍摄区域实时拍摄得到的待检测视频数据。

在本步骤中，具体的，预设拍摄区域内可以安装多个摄像装置，且该多个摄像装置对预设拍摄区域内的场景进行实时拍摄，得到实时拍摄视频。此时，本实施例获取在预设拍摄区域实时拍摄得到的待检测视频数据，即获取实时拍摄视频。

此外，具体的，该预设拍摄区域可以为多个幼儿园中的不同区域，例如该预设拍摄区域可以包括幼儿园中的教学场所、活动场所和休息场所等。

当然，在此需要说明的是，在此并不对该预设拍摄区域进行具体限定。

这样，通过获取预设拍摄区域处的实时的待检测视频数据，使得能够通过该实时的待检测视频数据，获知该预设拍摄区域内的实时场景。

步骤102：根据预先训练得到的视频检测模型，检测待检测视频数据是否为异常视频数据，得到检测结果。

在本步骤中，具体的，本实施例预先搭建并训练有视频检测模型，此时可以通过该预先训练得到的视频检测模型对待检测视频数据进行检测，得到待检测视频数据是否为异常视频数据的检测结果。

这样，通过预先训练得到的视频检测模型检测待检测视频数据是否为异常视频数据，从而检测预设拍摄区域当前是否存在异常行为，避免了通过人力监控摄像装置输出的视频数据时容易出现错漏检测的情况的发生，实现了预设拍摄区域所实时拍摄得到的待检测视频数据的实时检测，且保证了检测结果的准确性，从而实现了实时监测幼儿园中儿童的异常行为。

步骤103：当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为。

在本步骤中，具体的，当得到视频检测模型输出的检测结果指示待检测视频数据为异常视频数据时，可以确定预设拍摄区域存在异常行为，从而实现通过视频检测模型实时监测预设拍摄区域的异常行为。

其中，幼儿园中儿童的异常行为指儿童受到人身伤害等行为。

此外，其中，在确定预设拍摄区域存在异常行为之后，可以保存该异常视频数据，并将该异常视频数据发送至监管平台。

这样，通过在确定预设拍摄区域存在异常行为之后，保存异常视频数据，使得无需保存预设拍摄区域的所有历史视频数据，从而使得在减少了视频存储量的同时，方便了人员对异常行为的再次查看和确认；此外，通过将异常视频数据发送至监管平台，使得监管人员能够根据该信号及时发现预设拍摄区域的异常行为，从而为及时制止该异常行为提供了保证，最大程度的保护了例如幼儿园内儿童的安全。

这样，本实施例通过获取在预设拍摄区域实时拍摄得到的待检测视频数据，并根据预先训练得到的视频检测模型，对待检测视频数据是否为异常视频数据进行检测，得到检测结果，并在当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为，实现了通过视频检测模型对预设拍摄区域是否存在异常行为的实时准确检测，避免了通过人力监控摄像装置输出的视频数据时容易出现错漏检测的情况的发生，实现了预设拍摄区域所实时拍摄得到的待检测视频数据的实时检测，且保证了检测结果的准确性。

此外，进一步地，在根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果之前，还需要搭建并训练得到所述视频检测模型。

其中，如图2所示，搭建并训练得到视频检测模型时包括如下步骤：

步骤201：基于tensorflow搭建卷积时空自编码神经网络。

其中，自编码神经网络用于深度学习，自编码器由编码器和解码器两部分组成。其中编码器对原数据进行压缩，提取原数据特征，解码器将压缩后的数据进行解码重建。自编码神经网络能够通过对比原数据和解压重建后的数据，求出重建误差(重建误差指原始数据和重建后数据之间差值的绝对值的平方，用于衡量原始数据和重建数据之间的差异性)，并进行反向传递，逐步最小化重建误差。从中可以看出自编码神经网络只用到了输入数据，并没有用到输入数据对应的数据标签，是一种非监督学习。

在本步骤中，具体的，本实施例通过深度学习框架tensorflow搭建卷积时空自编码神经网络，提取视频中的时间和空间信息。

其中，所述卷积时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括设置有N层卷积层的空间编码器和设置有N层反卷积层的空间解码器，所述时间自编码器设置有M层长短期记忆网络(简称LSTM)。

具体的，N的数值可以为3，M的数值可以为5。即空间编码器包括三层卷积层，空间解码器包括三层反卷积层，时间自编码器在空间编码的基础上学习时间特征，包括五层LSTM。

下面分别对空间编码器、时间自编码器和空间解码器进行具体介绍。

其中，在空间编码器包括的三层卷积层中，针对第一层卷积层中：滤波器(即卷积核)的个数设置为128，滤波器的大小设置为9乘9矩阵，滑动步长(即滤波器每次滑过的像素数)设置为4，激活函数设置为线性整流函数(简称Relu)，其中Relu(x)＝max(x，0)，填充设置为相同，即输入数据不足滤波器扫描时会对输入数据补零；针对第二层卷积层中：滤波器的个数设置为96，滤波器的大小设置为7乘7矩阵，滑动步长设置为3，激活函数设置为Relu，填充设置为相同；针对第三层卷积层：滤波器的个数设置为64，滤波器的大小设置为5乘5矩阵，滑动步长设置为2，激活函数设置为Relu，填充设置为相同。

在时间自编码器包括的五层LSTM中，滤波器的个数从第一层至第五层依次设置为64、32、16、32、64，滤波器的大小均设置为3乘3矩阵，填充均设置为相同。

在空间解码器包括的三层反卷积层中，针对第一层反卷积层：滤波器的个数设置为64，滤波器的大小设置为5乘5矩阵，滑动步长设置为2，激活函数设置为Relu，填充设置为相同；针对第二层反卷积层：滤波器的个数设置为128，滤波器的大小设置为7乘7矩阵，滑动步长设置为3，激活函数设置为Relu，填充设置为相同；针对第三层反卷积层：滤波器的个数设置为1，滤波器的大小设置为9乘9矩阵，滑动步长设置为4，激活函数设置为Relu，填充设置为相同。

此外，具体的，在卷积时空自编码神经网络中，优化器可以选择自适应学习率调整(简称AdaDelta)算法，这样使得能够通过AdaDelta优化算法来改善传统梯度下降的学习效率，对学习率进行自适应约束。此外，目标函数可以选择对数损失函数binary_crossentropy。

步骤202：采用第一预设数量的正常历史视频数据作为训练视频数据，输入至卷积时空自编码神经网络，训练得到卷积时空自编码神经网络收敛时的权重值。

在本步骤中，具体的，在训练卷积时空自编码神经网络时，可以先获取历史视频数据，其中该历史视频数据包括正常历史视频数据和异常历史视频数据，然后采用第一预设数量的正常历史视频数据作为训练视频数据，输入至卷积时空自编码神经网络中，训练得到卷积时空自编码神经网络收敛时的权重值。

其中，在所述卷积时空自编码神经网络对所述训练视频数据进行视频重建得到重建视频数据，且计算得到所述重建视频数据与所述训练视频数据之间的重建误差小于预设值时，确定所述卷积时空自编码神经网络已收敛。

具体的，由于在实际中要获取到发生概率较低的表示异常行为的异常视频数据的难度较大，且数量较少，即大部分视频数据均为正常历史视频数据，因此本实施例通过采用卷积时空自编码神经网络，即半监督学习算法，无需异常历史视频数据作为训练数据，而只采用正常历史视频数据作为训练视频数据，减小了训练视频数据获取时的困难程度，且节省了大量人力。

此外，当有异常行为发生时，摄像装置所采集到的异常视频数据与未发生异常行为时所采集到的正常视频数据具有较大的不同。这样基于上述原理，该卷积时空自编码神经网络先从正常视频数据中学习，提取正常视频数据的数据特征，并对该正常视频数据进行重建，逐步最小化输入视频数据与输出视频数据之间的重建误差，直至该重建误差小于预设值，即确定卷积时空自编码神经网络已收敛时，则可以得到卷积时空自编码神经网络的权重值。此时，若对该加载有权重值的卷积时空自编码神经网络输入正常视频数据，则将会得到降低的重建误差，但若对该加载有权重值的卷积时空自编码神经网络输入异常视频数据，则将会得到较高的重建误差，即若所输入的视频数据与正常视频数据之间的差异越大，则输入的视频数据为异常视频数据的可能性越大，因此本实施例可以通过训练好的视频检测模型中的重建误差阈值来检测异常视频数据，从而实现了通过视频检测模型对异常行为的实时准确检测。

另外，在此需要说明的是，在采用正常历史视频数据作为训练视频数据，输入至卷积时空自编码神经网络之前，还可以对训练视频数据进行标准化和归一化处理。

其中，在对训练视频数据进行标准化和归一化处理时，可以先从训练视频数据中提取出每一帧图片数据，并将图片大小转换为A乘A矩阵大小(例如227乘227大小)，即卷积时空自编码神经网络能够接受的输入数据大小。此外，为了保证数据都在同一范围内，需要对数据进行标准化处理，此时可以通过sklearn中的函数preprocessing.StandardScaler对每一帧图片中的每一个像素值按照比例压缩到0至1的范围内。另外，还可以将每一帧图片的像素值分别对应减去全局均值图片的像素值实现归一化，且经过归一化处理后的图片均被归一化为均值为0，方差为1，其中全局均值图片的像素值为通过计算训练视频数据中每一帧图片中的像素均值所得到。这样，通过标准化和归一化处理，使得能够提升卷积时空自编码神经网络的收敛速度，并提升精度。

另外，具体的，在对卷积时空自编码神经网络输入数据时，所输入的数据的大小可以为10个227乘227，即卷积时空自编码神经网络接收每个输入的大小为10个连续视频帧图片，每个视频帧图片像素为227乘227，输出数据同样为10个227乘227。这样，空间编码器每次接收一个视频帧作为输入，连续处理完10个视频帧后，将经空间编码器编码后的10个视频帧进行拼接，再输入到时间编码器进行动作编码，相对应的时间解码器和空间解码器作为编码器的镜像设置。

另外，具体的，在采用训练视频数据对卷积时空自编码神经网络进行训练时，可以将训练迭代次数(epochs)的值设置为100，批数据大小(batch size)的值设置为64，此时该卷积时空自编码神经网络通过训练自主学习到每个滤波器的值，通过AdaDelta优化算法找到使目标函数最小的最优滤波器值，从而使得能够最大程度重建原始数据。此外，随着训练次数的增加，训练误差会逐渐下降，模型逐渐收敛，从而得到该卷积时空自编码神经网络经过训练后的权重值。

步骤203：采用第二预设数量的正常历史视频数据和第三预设数量的异常历史视频数据作为测试视频数据，对加载有权重值的卷积时空自编码神经网络进行模型准确度测试。

在本步骤中，具体的，在训练得到卷积时空自编码神经网络的权重值之后，为了保证该训练得到的权重值的准确性，还可以采用第二预设数量的正常历史视频数据和第三预设数量的异常历史视频数据作为测试视频数据，对加载有权重值的卷积时空自编码神经网络进行模型准确度测试。

当然，在此需要说明的是，在采用测试视频数据对加载有权重值的卷积时空自编码神经网络进行模型准确度测试之前，同样可以对测试视频数据进行标准化和归一化处理，以使测试视频数据能够正常的输入至卷积时空自编码神经网络中。

步骤204：当测试得到模型准确度大于预设准确度时，将加载有权重值的卷积时空自编码神经网络确定为视频检测模型。

在本步骤中，具体的，当测试得到模型准确度大于预设准确度时，将加载有权重值的卷积时空自编码神经网络确定为视频检测模型。

这样，通过对卷积时空自编码神经网络进行训练和准确度测试，得到视频检测模型，使得能够通过该训练得到的视频检测模型对待检测视频数据是否为异常视频数据的检测，从而实现了实时视频数据的实时精确检测。

当然，进一步地，在以上述方式训练得到视频检测模型之后，在根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果之前，还需要对待检测视频数据进行标准化和归一化处理，以保证待检测视频数据的正常输入。

当然，在此需要说明的是，在对待检测视频数据进行标准化和归一化处理的方式与对训练视频数据进行标准化和归一化处理的方式相同，在此不在重复进行介绍。

此外，在此还需要说明的是，在此还可以对待检测视频数据进行包括灰度化等的预处理，以方便视频检测模型对待检测视频数据的检测。

另外，进一步地，在训练得到视频检测模型之后，根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果时，可以将所述待检测视频数据输入至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果；其中，

所述视频检测模型由正常视频数据训练得到；所述视频检测模型对所述待检测视频数据进行视频重建，得到重建视频数据，并计算所述待检测视频数据与所述重建视频数据之间的重建误差；当所述重建误差大于重建误差设置阈值时，输出所述待检测视频数据为异常视频数据的检测结果。

具体的，由于视频检测模型为由正常视频数据训练得到，因此待检测视频数据与重建视频数据之间的重建误差越大，说明该待检测视频数据与正常视频数据之间的差距就越大。此时，可以根据设置的重建误差设置阈值输出对该待检测视频数据的检测结果。

此外，具体的，本实施例中的视频检测模型可以通过欧式距离(Euclideandistance)计算待检测视频数据与重建视频数据之间的所有像素的重建误差。

另外，具体的，还可以通过绘制PRC曲线确定重建误差设置阈值。PRC曲线为以精准率和召回率为轴，取不同阈值进行绘制。此时，在设定合理的准确率下，可以将最高的召回率作为最优阈值点，从而确定该最优阈值点对应的阈值，即重建误差设置阈值。

这样，通过采用正常视频数据训练得到视频检测模型，并通过视频检测模型对待检测视频数据进行检测，实现了待检测模型的实时精准检测，且由于检测结果中异常视频数据较少，方便了人员查看检测结果。

另外，进一步地，在将所述待检测视频数据输入至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果时，可以将所述待检测视频数据通过5G网络，实时传输至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果。

此外，在确定所述预设拍摄区域存在异常行为之后，可以保存所述异常视频数据，并将所述异常视频数据发送至监管平台。当然，在此需要说明的是，同样可以通过5G网络，将所述异常视频数据发送至监管平台，以保证异常视频数据的高效实时传输，从而为监管平台及时发现并控制预设拍摄区域的异常行为提供了保障。

这样，基于5G网络低时延、高传输速率和大带宽能力，使得能够通过5G网络，实现待检测视频的实时传输，从而实现预设拍摄区域内异常行为的实时检测，为及时发现、管控预设拍摄区域内的异常行为提供了便利，提高了例如幼儿园内儿童的人身安全。

这样，本实施例通过在预设拍摄区域实时拍摄得到的待检测视频数据，并根据预先训练得到的视频检测模型，对待检测视频数据是否为异常视频数据进行检测，得到检测结果，并在当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为，实现了通过视频检测模型对预设拍摄区域是否存在异常行为的实时准确检测，避免了通过人力监控摄像装置输出的视频数据时容易出现错漏检测的情况的发生，实现了预设拍摄区域所实时拍摄得到的待检测视频数据的实时检测，且保证了检测结果的准确性。

此外，如图3所示，为本发明实施例中异常行为的识别装置的模块框图，该装置包括：

第一获取模块301，用于获取在预设拍摄区域实时拍摄得到的待检测视频数据；

第二获取模块302，用于根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；

确定模块303，用于当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

本实施例提供的异常行为的识别装置，通过第一获取模块301获取在预设拍摄区域实时拍摄得到的待检测视频数据，通过第二获取模块302根据预先训练得到的视频检测模型，检测待检测视频数据是否为异常视频数据，得到检测结果，通过确定模块303当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为，实现了通过视频检测模型对预设拍摄区域是否存在异常行为的实时准确检测，避免了通过人力监控摄像装置输出的视频数据时容易出现错漏检测的情况的发生，实现了预设拍摄区域所实时拍摄得到的待检测视频数据的实时检测，且保证了检测结果的准确性。

可选地，所述装置还包括模型训练模块，用于搭建并训练得到所述视频检测模型；其中，

所述模型训练模块包括：

模型搭建单元，用于基于tensorflow搭建卷积时空自编码神经网络；

模型训练单元，用于采用第一预设数量的正常历史视频数据作为训练视频数据，输入至所述卷积时空自编码神经网络，训练得到所述卷积时空自编码神经网络收敛时的权重值；其中，在所述卷积时空自编码神经网络对所述训练视频数据进行视频重建得到重建视频数据，且计算得到所述重建视频数据与所述训练视频数据之间的重建误差小于预设值时，确定所述卷积时空自编码神经网络已收敛；

模型测试单元，用于采用第二预设数量的正常历史视频数据和第三预设数量的异常历史视频数据作为测试视频数据，对加载有所述权重值的卷积时空自编码神经网络进行模型准确度测试；

确定单元，用于当测试得到模型准确度大于预设准确度时，将加载有所述权重值的卷积时空自编码神经网络确定为所述视频检测模型。

可选地，所述装置还包括：

处理模块，用于对所述待检测视频数据进行标准化和归一化处理。

可选地，所述第二获取模块302用于，将所述待检测视频数据输入至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果；其中，

所述视频检测模型由正常视频数据训练得到；所述视频检测模型对所述待检测视频数据进行视频重建，得到重建视频数据，并计算所述待检测视频数据与所述重建视频数据之间的重建误差；当所述重建误差大于重建误差设置阈值时，输出所述待检测视频数据为异常视频数据的检测结果。

可选地，所述第二获取模块302用于，将所述待检测视频数据通过5G网络，实时传输至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果。

可选地，所述装置还包括：

视频发送模块，用于保存所述异常视频数据，并将所述异常视频数据发送至监管平台。

本实施例提供的异常行为的识别装置，通过在预设拍摄区域实时拍摄得到的待检测视频数据，并根据预先训练得到的视频检测模型，对待检测视频数据是否为异常视频数据进行检测，得到检测结果，并在当检测结果指示待检测视频数据为异常视频数据时，确定预设拍摄区域存在异常行为，实现了通过视频检测模型对预设拍摄区域是否存在异常行为的实时准确检测，避免了通过人力监控摄像装置输出的视频数据时容易出现错漏检测的情况的发生，实现了预设拍摄区域所实时拍摄得到的待检测视频数据的实时检测，且保证了检测结果的准确性。

在此需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块，并能达到相同的技术效果，在此不在进行赘述。

在本发明的又一实施例中，提供了一种电子设备，如图4所示，所述电子设备包括存储器(memory)401、处理器(processor)402以及存储在存储器401上并可在处理器402上运行的计算机程序。其中，所述存储器401、处理器402通过总线403完成相互间的通信。所述处理器402用于调用所述存储器401中的程序指令，以执行如下方法：获取在预设拍摄区域实时拍摄得到的待检测视频数据；根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

本发明实施例提供的电子设备，可执行异常行为的识别方法中的具体步骤，并能够达到相同的技术效果，在此不再对此进行具体介绍。

此外，上述的存储器401中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的又一实施例中，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以执行如下方法：获取在预设拍摄区域实时拍摄得到的待检测视频数据；根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

本发明实施例提供的非暂态计算机可读存储介质，可执行异常行为的识别方法中的具体步骤，并能够达到相同的技术效果，在此不再对此进行具体介绍。

在本发明的又一实施例中，提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时以执行如下方法：获取在预设拍摄区域实时拍摄得到的待检测视频数据；根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

本发明实施例提供的计算机程序产品，可执行异常行为的识别方法中的具体步骤，并能够达到相同的技术效果，在此不再对此进行具体介绍。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种异常行为的识别方法，其特征在于，所述方法包括：

获取在预设拍摄区域实时拍摄得到的待检测视频数据；

根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；

当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

2.根据权利要求1所述的方法，其特征在于，所述根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果之前，所述方法还包括：

搭建并训练得到所述视频检测模型；其中，

所述搭建并训练得到所述视频检测模型，包括：

基于tensorflow搭建卷积时空自编码神经网络；

采用第一预设数量的正常历史视频数据作为训练视频数据，输入至所述卷积时空自编码神经网络，训练得到所述卷积时空自编码神经网络收敛时的权重值；其中，在所述卷积时空自编码神经网络对所述训练视频数据进行视频重建得到重建视频数据，且计算得到所述重建视频数据与所述训练视频数据之间的重建误差小于预设值时，确定所述卷积时空自编码神经网络已收敛；

采用第二预设数量的正常历史视频数据和第三预设数量的异常历史视频数据作为测试视频数据，对加载有所述权重值的卷积时空自编码神经网络进行模型准确度测试；

当测试得到模型准确度大于预设准确度时，将加载有所述权重值的卷积时空自编码神经网络确定为所述视频检测模型。

3.根据权利要求1所述的方法，其特征在于，所述根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果之前，所述方法还包括：

对所述待检测视频数据进行标准化和归一化处理。

4.根据权利要求1所述的方法，其特征在于，所述根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果，包括：

将所述待检测视频数据输入至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果；其中，

所述视频检测模型由正常视频数据训练得到；所述视频检测模型对所述待检测视频数据进行视频重建，得到重建视频数据，并计算所述待检测视频数据与所述重建视频数据之间的重建误差；当所述重建误差大于重建误差设置阈值时，输出所述待检测视频数据为异常视频数据的检测结果。

5.根据权利要求4所述的方法，其特征在于，所述将所述待检测视频数据输入至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果，包括：

将所述待检测视频数据通过5G网络，实时传输至所述视频检测模型中，得到所述视频检测模型对所述待检测视频数据进行分析后输出的检测结果。

6.根据权利要求1所述的方法，其特征在于，所述当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为之后，所述方法还包括：

保存所述异常视频数据，并将所述异常视频数据发送至监管平台。

7.一种异常行为的识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取在预设拍摄区域实时拍摄得到的待检测视频数据；

第二获取模块，用于根据预先训练得到的视频检测模型，检测所述待检测视频数据是否为异常视频数据，得到检测结果；

确定模块，用于当所述检测结果指示所述待检测视频数据为异常视频数据时，确定所述预设拍摄区域存在异常行为。

8.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的异常行为的识别方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的异常行为的识别方法的步骤。

Images