CN111160485B - 基于回归训练的异常行为检测方法、装置及电子设备 - Google Patents
基于回归训练的异常行为检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111160485B CN111160485B CN201911421314.8A CN201911421314A CN111160485B CN 111160485 B CN111160485 B CN 111160485B CN 201911421314 A CN201911421314 A CN 201911421314A CN 111160485 B CN111160485 B CN 111160485B
- Authority
- CN
- China
- Prior art keywords
- training
- module
- target
- feature extraction
- initial
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明实施例公开了一种基于回归训练的异常行为检测方法、装置及电子设备,方法包括:构建样本数据集;采用样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型;获取待检测的视频数据;将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对所述视频数据进行检测,以得到检测结果。实施本发明实施例,克服了现有技术中的技术局限,提出了一种复杂程度大幅降低的异常行为检测模型,且使用额外的回归网络进行半监督式模型参数训练的方法,提高了模型的性能,进一步地提高了视频信号异常行为检测的准确性。
Description
技术领域
本发明涉及深度学习中的神经网络设计技术领域,具体涉及一种基于回归训练的异常行为检测方法、装置及电子设备。
背景技术
视频信号处理中,异常行为检测可以及时发现危险行为、事故征兆等,或从海量信息中高效筛选特异信息,有广泛的需求。一些行为受到规则的约束,如飞机起飞和降落,汽车在高速公路上行驶等,规律性较强,具有良好的可预测性。通用的异常行为检测模型为适应行为的多样性,往往需要有较复杂的模型。而在规则约束的异常行为检测中,存在参数过多、执行效率偏低等问题。且异常行为作为小概率事件,样本较少,模型整体训练效果不好。
发明内容
本发明实施例的目的在于提供一种基于回归训练的异常行为检测方法、装置及电子设备,以降低异常行为检测模型的复杂度,提高视频信号异常行为检测的准确性。
为实现上述目的,第一方面,本发明实施例提供了一种基于回归训练的异常行为检测方法,包括:
构建样本数据集,所述样本数据集包括正常事件数据和异常事件数据;
采用所述样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型,所述目标异常行为检测模型包括目标特征提取模块和目标异常值预测模块;
获取待检测的视频数据;
将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对所述视频数据进行检测,以得到检测结果。
其中,所述初始异常行为检测模型包括初始特征提取模块和初始异常值预测模块,所述方法具体包括:
构建仅包含正常事件数据的回归训练数据集,并对所述回归训练数据集进行归一化处理;
引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练;
保存回归训练后的所述初始特征提取模块并将其作为所述目标特征提取模块;
将包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量;
采用所述输出特征向量对所述初始异常值检测模块进行常规训练;
保存常规训练后的所述初始异常值检测模块并将其作为所述目标异常值检测模块;
将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
作为本申请一种具体的实施方式,对所述回归训练数据集进行归一化处理,具体包括:
确定基准点:确定每段视频数据中目标行为的结束点,从结束点向前推移相同帧数,作为目标行为起始点,截取起始点与结束点之间的视频片段;
视频数据归一化标注:将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
进一步地,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练,具体包括:
以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,同时以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降。
第二方面,本发明实施例提供了一种基于回归训练的异常行为检测装置,包括:
构建单元,用于构建样本数据集,所述样本数据集包括正常事件数据和异常事件数据;
训练单元,用于采用所述样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型,所述目标异常行为检测模型包括目标特征提取模块和目标异常值预测模块;
获取单元,用于获取待检测的视频数据;
检测单元,用于将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对所述视频数据进行检测,以得到检测结果。
其中,所述初始异常行为检测模型包括初始特征提取模块初始异常值预测模块,所述构建单元具体用于构建仅包含正常事件数据的回归训练数据集;
所述装置还包括归一化单元,用于对所述回归训练数据集进行归一化处理;
所述训练单元具体用于:
引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练;
保存回归训练后的所述初始特征提取模块并将其作为所述目标特征提取模块;
将采用包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量;
采用所述输出特征向量对所述初始异常值检测模块进行常规训练;
保存常规训练后的所述初始异常值检测模块并将其作为所述目标异常值检测模块;
将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
进一步地,所述初始特征提取模块利用多卷积层与直连层组合的方式实现对图像帧的特征提取处理;所述回归训练模块对提取特征的标签值进行预测并输出。
作为本发明一种具体的实施方式,所述归一化单元具体用于:
确定基准点:确定每段视频数据中目标行为的结束点,从结束点向前推移相同帧数,作为目标行为起始点,截取起始点与结束点之间的视频片段;
视频数据归一化标注:将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
进一步地,所述训练单元具体用于:
以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,同时以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降。
第三方面,本发明实施例提供了一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
实施本发明实施例,克服了现有技术中的技术局限,提出了一种复杂程度大幅降低的异常行为检测模型,且使用额外的回归网络进行半监督式模型参数训练的方法,提高了模型的性能,进一步地提高了视频信号异常行为检测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的基于回归训练的异常行为检测方法的示意流程图;
图2是回归训练的异常行为检测网络结构图;
图3是本发明实施例提供的基于回归训练的异常行为检测装置的结构示意图;
图4是电子设备的结构示意图。
具体实施方式
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做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。
请参考图1,本发明实施例提供的基于回归训练的异常行为检测方法包括:
S101,构建样本数据集。
其中,该样本数据集包括正常事件数据和异常事件数据。
S102,采用样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型。
本发明实施例提出了一种用于异常行为检测的神经网络模型,成为回归训练的异常行为检测网络,简称RTADN。
如图所示,从整体上看,RTADN的输入是需要进行异常行为检测的视频数据,输出是对每一帧是否正常的判断结果。具体地在每一帧处理中,该模型的外部输入是视频当前帧的数据,内部输入是前一帧经特征提取处理后的特征向量,外部输出是当前帧是否正常的判断结果,内部输出是当前帧经特征提取处理后的特征向量。
请参考如图2所示的RTADN的结构框图,该模型包括特征提取模块、回归训练模块和异常值预测模块。
其中,图2所示模型中进行信号处理的第一部分是特征提取模块。特征提取模块的结构由卷积层和直连层构建,其功能是提取用于检测异常行为的特征。在回归训练中,特征提取模块后接回归训练模块。回归训练模块的结构由直连层构建,其功能是通过强化提取特征与正常行为进度的关联性,提升提取特征对异常行为的可判断性。在常规训练和异常行为检测中,特征提取模块后接异常值预测模块。异常值预测模块的结构由直连层构建,其功能是从提取特征计算异常值。异常值在0-1之间,值越低越正常,越高越异常。
具体地,步骤S102包括以下子步骤:
S1021,构建仅包含正常事件数据的回归训练数据集,并对回归训练数据集进行归一化处理。
进一步,因为不同视频数据记录事件的时间起点和终点均存在一定差异,对回归训练数据集进行归一化处理的目的是提高数据一致性,具体步骤包括:
步骤11:确定基准点。确定每段视频数据中目标行为的结束点,从结束点向前推移相同帧数,作为目标行为起始点,截取起始点与结束点之间的视频片段。
步骤12:视频数据归一化标注。将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
S1022,引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练,并保存回归训练后的所述初始特征提取模块作为目标特征提取模块。
需要说明的是,回归训练主要涉及图2中的特征提取模块和回归训练模块。
其中,特征提取模块用于利用多卷积层与直连层组合的方式实现对图像帧的特征提取处理。该模块的输入为图像数据Ik,为M×N×3的三维矩阵,其中M×N为图像大小。该模块的输出为长度为l的向量Fk,即为提取特征。该模块执行的计算为:
Fk=R(Ik) (1)
其中函数R为特征提取模块计算方法,脚标k为图像原始编号。该模块的参数视特征提取模块的设计而定。
回归训练模块用于对提取特征的标签值进行预测并输出。该模块的输入为Fk。该模块的输出为标量Ak,即为标签预测值。该模块执行的运算为
基于上述描述,步骤S1022具体为:
(1)进行回归训练:以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,同时以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降,使其达到最佳性能;
(2)保存特征提取模块:完成回归训练后,将特征提取模块从回归训练模型(由特征提取模块和回归训练模块所构成)中单独提出,并保存其结构和参数。
S1023,将包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量。
S1024,采用所述输出特征向量对所述初始异常值检测模块进行常规训练。
S1025,保存常规训练后的初始异常值检测模块并将其作为所述目标异常值检测模块。
S1026,将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
需要说明的是,常规训练主要涉及图2中的特征提取模块和异常值预测模块。
其中,特征提取模块与前述回归训练共享。异常值预测模块具有3层网络。
第一层为特征拼接层,即将通过特征提取模块获得的当前帧图像提取特征与上一帧图像提取特征相拼接。该层的输入为长度均为l的向量Fk-1和向量Fk,Fk-1为上一帧图像提取特征,Fk为当前帧图像提取特征。该层的输出为向量βk,为新特征向量。该层执行的操作为:
第二层为特征检测层,即通过多层直连层对拼接的新特征向量进行异常特征深度检测。该层的输入为拼接后长度为2l的新特征向量βk。该层的输出为标量αk,为异常指数。该层执行的运算为
αk=G(βk) (4)
其中函数G为特征检测层计算方法,脚标k为图像原始编号。该层的参数视特征检测层的设计而定。
第三层为异常值映射层,即将异常指数映射至0-1之间。该层的输入为标量αk,即异常指数。该层的输出为标量Resultk,即为异常值。该层执行的运算为
Resultk=sigmoid(αk) (5)
其中函数sigmoid的定义为:
其中脚标k为图像原始编号。该层无参数。
结合以上描述,图2所示RTADN的使用方法可归纳如下:
步骤1:结合正常事件数据量大,异常事件数据量小的特点,仅使用正常事件数据,结合特征提取模块和回归训练模块,进行回归训练,强化特征提取模块提取特征与正常行为进度的关联性。
步骤2:使用包含正常事件和异常事件的全部训练数据,结合特征提取模块和异常值预测模块,进行常规训练,提升异常事件检测能力。
步骤3:最终的异常事件检测模型只由特征提取模块和异常值预测模块构成,将视频输入训练好的异常事件检测模型,由输出的异常值判断异常事件。
S103,获取待检测的视频数据。
S104,将视频数据输入异常行为检测模型,通过目标特征提取模块和目标异常值检测模块对视频数据进行检测,以得到检测结果。
实施本发明实施例的方法,克服了现有技术中的技术局限,提出了一种复杂程度大幅降低的异常行为检测模型,且使用额外的回归网络进行半监督式模型参数训练的方法,提高了模型的性能,进一步地提高了视频信号异常行为检测的准确性。
基于相同的发明构思,本发明实施例提供了一种基于回归训练的异常行为检测装置。如图3所示,该装置包括:
构建单元10,用于构建样本数据集,所述样本数据集包括正常事件数据和异常事件数据;
训练单元11,用于采用所述样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型,所述目标异常行为检测模型包括目标特征提取模块和目标异常值预测模块;
获取单元12,用于获取待检测的视频数据;
检测单元13,用于将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对视频数据进行检测,以得到检测结果。
其中,所述初始异常行为检测模型包括初始特征提取模块初始异常值预测模块,所述构建单元10具体用于构建仅包含正常事件数据的回归训练数据集;
所述装置还包括归一化单元,用于对所述回归训练数据集进行归一化处理;
所述训练单元11具体用于:
引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练;
保存回归训练后的所述初始特征提取模块并将其作为所述目标特征提取模块;
将包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量;
采用所述输出特征向量对所述初始异常值检测模块进行常规训练;
保存常规训练后的所述初始异常值检测模块并将其作为所述目标异常值检测模块;
将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
进一步地,所述初始特征提取模块利用多卷积层与直连层组合的方式实现对图像帧的特征提取处理;所述回归训练模块对提取特征的标签值进行预测并输出。
作为本发明一种具体的实施方式,所述归一化单元具体用于:
确定基准点:确定每段视频数据中目标行为的结束点,从结束点向前推移相同帧数,作为目标行为起始点,截取起始点与结束点之间的视频片段;
视频数据归一化标注:将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
进一步地,所述训练单元11具体用于:
以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,同时以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降。
在本发明的另一优选实施例中,还提供了一种电子设备。如图4所示,该电子设备可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于回归训练的异常行为检测方法的实施例中所描述的实现方式,在此不再赘述。
需要说明的是,本发明实施例中基于回归训练的异常行为检测装置和电子设备的具体工作流程及相关细节,请参考前述方法实施例部分,在此不再赘述。
进一步地,本发明实施例还提供了一种可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述基于回归训练的异常行为检测方法。
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,或者该技术方案的全部或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-OnlyMemory)、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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于回归训练的异常行为检测方法,其特征在于,包括:
构建样本数据集,所述样本数据集包括正常事件数据和异常事件数据;
采用所述样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型,所述目标异常行为检测模型包括目标特征提取模块和目标异常值预测模块;
获取待检测的视频数据;
将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对所述视频数据进行检测,以得到检测结果;
所述初始异常行为检测模型包括初始特征提取模块和初始异常值预测模块,得到目标异常行为检测模型具体包括:
构建仅包含正常事件数据的回归训练数据集,并对所述回归训练数据集进行归一化处理;
引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练;
保存回归训练后的所述初始特征提取模块并将其作为所述目标特征提取模块;
将包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量;
采用所述输出特征向量对所述初始异常值检测模块进行常规训练;
保存常规训练后的所述初始异常值检测模块并将其作为所述目标异常值检测模块;
将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
2.如权利要求1所述的方法,其特征在于,对所述回归训练数据集进行归一化处理,具体包括:
确定基准点:确定每段视频数据中目标行为的结束点,每段视频均从结束点向前推移t帧,将向前推移t帧后的位置作为目标行为起始点,截取起始点与结束点之间的视频片段;t为自然数;
视频数据归一化标注:将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
3.如权利要求2所述的方法,其特征在于,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练,具体包括:
以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降。
4.一种基于回归训练的异常行为检测装置,其特征在于,包括:
构建单元,用于构建样本数据集,所述样本数据集包括正常事件数据和异常事件数据;
训练单元,用于采用所述样本数据集对初始异常行为检测模型进行训练,以得到目标异常行为检测模型,所述目标异常行为检测模型包括目标特征提取模块和目标异常值预测模块;
获取单元,用于获取待检测的视频数据;
检测单元,用于将所述视频数据输入异常行为检测模型,通过所述目标特征提取模块和目标异常值检测模块对所述视频数据进行检测,以得到检测结果;
所述初始异常行为检测模型包括初始特征提取模块和初始异常值预测模块,所述构建单元具体用于构建仅包含正常事件数据的回归训练数据集;
所述装置还包括归一化单元,用于对所述回归训练数据集进行归一化处理;
所述训练单元具体用于:
引入回归训练模块,采用所述回归训练数据集对所述初始特征提取模块和回归训练模块进行回归训练;
保存回归训练后的所述初始特征提取模块并将其作为所述目标特征提取模块;
将包含正常事件数据和异常事件数据的样本数据集输入所述目标特征提取模块,以输出特征向量;
采用所述输出特征向量对所述初始异常值检测模块进行常规训练;
保存常规训练后的所述初始异常值检测模块并将其作为所述目标异常值检测模块;
将所述目标特征提取模块和目标异常值检测模块结合以得到所述目标异常值检测模型。
5.如权利要求4所述的装置,其特征在于,所述初始特征提取模块利用多卷积层与直连层组合的方式实现对图像帧的特征提取处理;所述回归训练模块对提取特征的标签值进行预测并输出。
6.如权利要求5所述的装置,其特征在于,所述归一化单元具体用于:确定基准点:确定每段视频数据中目标行为的结束点,每段视频均从结束点向前推移t帧,将向前推移t帧后的位置作为目标行为起始点,截取起始点与结束点之间的视频片段;t为自然数;
视频数据归一化标注:将截取视频片段中图像帧按照顺序编号,并通过线性映射的方式将编号映射至0~1之间,作为图像帧对应的标签值。
7.如权利要求6所述的装置,其特征在于,所述训练单元具体用于:
以图像帧作为训练样本输入,其对应图像标签值作为训练标签输入,以L1范数或者L2范数作为损失函数,训练若干个epoch直至损失函数的值趋于平稳不再下降。
8.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421314.8A CN111160485B (zh) | 2019-12-31 | 2019-12-31 | 基于回归训练的异常行为检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421314.8A CN111160485B (zh) | 2019-12-31 | 2019-12-31 | 基于回归训练的异常行为检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160485A CN111160485A (zh) | 2020-05-15 |
CN111160485B true CN111160485B (zh) | 2022-11-29 |
Family
ID=70560583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911421314.8A Active CN111160485B (zh) | 2019-12-31 | 2019-12-31 | 基于回归训练的异常行为检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160485B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111780910A (zh) * | 2020-06-28 | 2020-10-16 | 缪新建 | 一种风力涡轮机螺栓紧固件压力检测装置及异常检测方法 |
CN111915015A (zh) * | 2020-06-30 | 2020-11-10 | 上海金仕达软件科技有限公司 | 一种异常值检测方法、装置、终端设备及存储介质 |
CN111901344B (zh) * | 2020-07-28 | 2022-05-17 | 北京天融信网络安全技术有限公司 | 一种can总线异常帧的检测方法及装置 |
CN112907949B (zh) * | 2021-01-20 | 2022-11-22 | 北京百度网讯科技有限公司 | 交通异常的检测方法、模型的训练方法及装置 |
CN112926636A (zh) * | 2021-02-03 | 2021-06-08 | 中车青岛四方机车车辆股份有限公司 | 牵引变流器柜体温度异常检测方法和装置 |
CN113837316B (zh) * | 2021-10-13 | 2023-12-26 | 山东德普检测技术有限公司 | 一种基于农产品的异常区域检测方法、装置、设备及介质 |
CN114266300B (zh) * | 2021-12-16 | 2023-01-24 | 中国联合网络通信集团有限公司 | 特征预测模型训练、核心网业务异常检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157626A (zh) * | 2015-09-29 | 2015-12-16 | 中国民用航空总局第二研究所 | 一种使用结构光的固定式道面检测装置及方法 |
CN107133628A (zh) * | 2016-02-26 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种建立数据识别模型的方法及装置 |
CN107178146A (zh) * | 2017-05-24 | 2017-09-19 | 西安市市政设施管理局 | 一种基于bp神经网络的市政管网清淤机器人及工作方法 |
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN108491817A (zh) * | 2018-03-30 | 2018-09-04 | 国信优易数据有限公司 | 一种事件检测模型训练方法、装置以及事件检测方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
CN109034092A (zh) * | 2018-08-09 | 2018-12-18 | 燕山大学 | 用于监控系统的异常事件检测方法 |
CN110196918A (zh) * | 2019-05-28 | 2019-09-03 | 北京理工大学 | 一种基于目标检测的无监督深度哈希方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169816B2 (en) * | 2015-01-06 | 2019-01-01 | Morgan Stanley Services Group Inc. | Trading anomaly kill switch |
-
2019
- 2019-12-31 CN CN201911421314.8A patent/CN111160485B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157626A (zh) * | 2015-09-29 | 2015-12-16 | 中国民用航空总局第二研究所 | 一种使用结构光的固定式道面检测装置及方法 |
CN107133628A (zh) * | 2016-02-26 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种建立数据识别模型的方法及装置 |
CN107178146A (zh) * | 2017-05-24 | 2017-09-19 | 西安市市政设施管理局 | 一种基于bp神经网络的市政管网清淤机器人及工作方法 |
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN108491817A (zh) * | 2018-03-30 | 2018-09-04 | 国信优易数据有限公司 | 一种事件检测模型训练方法、装置以及事件检测方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
CN109034092A (zh) * | 2018-08-09 | 2018-12-18 | 燕山大学 | 用于监控系统的异常事件检测方法 |
CN110196918A (zh) * | 2019-05-28 | 2019-09-03 | 北京理工大学 | 一种基于目标检测的无监督深度哈希方法 |
Non-Patent Citations (4)
Title |
---|
Abnormal Behavior Detection of ATM Surveillance Videos Based on Pseudo-3D Residual Network;Menglin Wang et al.;《2019 IEEE 4th International Conference on Cloud Computing and Big Data Analysis (ICCCBDA)》;20190530;412-417 * |
Aircraft tracking using weak detectors with hidden Markov chain;Yunfeng Sui et al.;《2017 IEEE 2nd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC)》;20180208;291-294 * |
基于KCF跟踪算法的行人数量统计;苏祺翔;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;I138-4376 * |
基于相关滤波的视觉跟踪算法研究;王赛楠;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915;I138-657 * |
Also Published As
Publication number | Publication date |
---|---|
CN111160485A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160485B (zh) | 基于回归训练的异常行为检测方法、装置及电子设备 | |
US10909418B2 (en) | Neural network method and apparatus | |
CN106960219B (zh) | 图片识别方法及装置、计算机设备及计算机可读介质 | |
CN111144375B (zh) | 基于特征编码的异常行为检测方法、装置及电子设备 | |
CN108701250B (zh) | 数据定点化方法和装置 | |
CN108073902B (zh) | 基于深度学习的视频总结方法、装置及终端设备 | |
CN111914559B (zh) | 基于概率图模型的文本属性抽取方法、装置及计算机设备 | |
CN109408058B (zh) | 基于机器学习的前端辅助开发方法和装置 | |
CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
US20210174179A1 (en) | Arithmetic apparatus, operating method thereof, and neural network processor | |
US10546045B2 (en) | Efficient extended-precision processing | |
CN111859933B (zh) | 马来语识别模型的训练方法、识别方法、装置、设备 | |
CN117332766A (zh) | 流程图生成方法、装置、计算机设备和存储介质 | |
CN115438225B (zh) | 视频文本互检方法及其模型训练方法、装置、设备、介质 | |
CN113808011B (zh) | 一种基于特征融合的风格迁移方法、装置及其相关组件 | |
CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN115810152A (zh) | 基于图卷积的遥感图像变化检测方法、装置和计算机设备 | |
CN111723917B (zh) | 运算方法、装置及相关产品 | |
CN113450764B (zh) | 文本语音识别方法、装置、设备及存储介质 | |
EP4220555A1 (en) | Training method and apparatus for image segmentation model, image segmentation method and apparatus, and device | |
CN114332522A (zh) | 图像识别方法及装置、残差网络模型的构建方法 | |
CN107766863B (zh) | 图像表征方法和服务器 | |
CN112288748A (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN115147850B (zh) | 文字生成模型的训练方法、文字生成方法及其装置 | |
CN114359905B (zh) | 一种文本识别方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |