CN112101279B - 目标物异常检测方法、装置、电子设备及存储介质 - Google Patents

目标物异常检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112101279B
CN112101279B CN202011021134.3A CN202011021134A CN112101279B CN 112101279 B CN112101279 B CN 112101279B CN 202011021134 A CN202011021134 A CN 202011021134A CN 112101279 B CN112101279 B CN 112101279B
Authority
CN
China
Prior art keywords
background
detection result
detection
video set
anomaly
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
Application number
CN202011021134.3A
Other languages
English (en)
Other versions
CN112101279A (zh
Inventor
林春伟
刘莉红
刘玉宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011021134.3A priority Critical patent/CN112101279B/zh
Publication of CN112101279A publication Critical patent/CN112101279A/zh
Application granted granted Critical
Publication of CN112101279B publication Critical patent/CN112101279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种目标物异常检测方法，包括：利用预构建的提取模型提取原始视频集的背景信息，得到背景视频集，利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值，并利用所述目标检测算法检测所述原始视频集，得到视频检测结果，基于所述背景检测结果及视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。此外，本发明还涉及区块链技术，所述异常检测结果可存储于区块链的节点。本发明还提出一种目标物异常检测装置、电子设备以及计算机可读存储介质。本发明可以解决检测效率低及容易造成误检的问题。

Description

目标物异常检测方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种目标物异常检测方法、装置、电子设备及计算机可读存储介质。
背景技术
目标物异常检测在日常公共生活中越来越重要。以交通领域的车辆异常检测为例，截止2018年底，某地区高速公路已建及在建公路总里程已经超过7800公里，并且平均每10公里安装一个高清视频监控系统来获取实时交通信息。然而这些监控系统中，具备道路信息自动获取以及车辆异常行为检测等功能的不足三分之一。
而且，目前的车辆异常检测还存在以下缺陷：1、自动化程度低，大量监控视频仍需人工分析；2、检测效率低，容易造成误检。
发明内容
本发明提供一种目标物异常检测方法、装置及计算机可读存储介质，其主要目的在于解决检测效率低及容易造成误检的问题。
为实现上述目的，本发明提供的一种目标物异常检测方法，包括：
获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集；
利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值；
根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果；
基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
可选地，所述利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集，包括：
读取所述原始视频集中的像素点，将所述像素点表示为由高斯分布组成的混合分布；
根据预设的匹配条件更新所述混合分布，得到更新混合分布；
基于所述更新混合分布，利用预设的权重阈值生成所述背景视频集。
可选地，所述方法还包括：
获取训练视频集，利用所述训练视频集训练预设网络；
当训练次数达到预设的训练阈值时，停止训练，得到所述目标检测模型。
可选地，所述利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，包括：
逐帧读取所述背景视频集，得到特征图集；
提取所述特征图集中特征图的待检测区域，并生成所述待检测区域的预测边界框；
判定所述预测边界框中的待检测区域是否有目标；
对有目标的待检测区域进行边框回归处理，得到精确待检测区域；
对所述精确待检测区域进行转化及分类处理，得到所述背景检测结果。
可选地，所述根据所述背景检测结果确定预设的异常计数器的数值，包括：
获取所述背景检测结果中的背景目标物边界框，提取所述背景目标物边界框的中心点坐标；
根据所述中心点坐标判断所述背景检测结果中的目标物是否是首次被检测到；
若所述目标物是首次被检测到，则创建所述异常计数器，并确定所述异常计数器的数值为1；
若所述目标物不是首次被检测到，则对所述异常计数器的数值进行加一运算。
可选地，所述根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果，包括：
当所述异常计数器的数值超过预设的异常阈值时，确定所述异常计数器对应的目标物为疑似异常目标物；
基于所述背景检测结果，提取首次检测到所述疑似异常目标物时的帧指标，得到疑似异常帧指标；
基于所述疑似异常帧指标，利用所述目标检测模型检测所述原始视频集，得到所述视频检测结果。
可选地，所述基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果，包括：
获取所述视频检测结果中的原始目标物边界框；
计算所述原始目标物边界框的中心点坐标；
当所述背景目标物边界框的中心点坐标与所述原始目标物边界框的中心点坐标相同时，创建所述确认计数器，并从所述疑似异常帧指标开始计数，直至所述确认计数器的数值超过预设的确认阈值，则确认目标物异常；
汇总所述目标物异常的原始视频及异常开始时间，得到所述异常检测结果。
为了解决上述问题，本发明还提供一种目标物异常检测装置，所述装置包括：
背景提取模块，用于获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集；
背景检测模块，用于利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值；
视频检测模块，用于根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果；
异常检测模块，用于基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的目标物异常检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的目标物异常检测方法。
本发明通过预构建的提取模型只提取所述原始视频集的背景信息，提取速度较快。并且经过预训练的所述目标检测算法模型，可以较为准确的检测出目标物，提高了异常检测的准确率。同时利用异常计数器和确认计数器，通过设置合适的阈值，可以进一步减少误检率，提高了在不同场景下的适用性。
因此本发明提出的目标物异常检测方法、装置及计算机可读存储介质，可以解决检测效率低，容易造成误检的问题。
附图说明
图1为本发明一实施例提供的目标物异常检测方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图1中另一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的目标物异常检测装置的功能模块图；
图7为本发明一实施例提供的实现所述目标物异常检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的目标物异常检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述目标物异常检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的目标物异常检测方法的流程示意图。在本实施例中，所述目标物异常检测方法包括：
S1、获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集。
本发明实施例中，所述原始视频集可以来自于不同道路监控系统采集的车辆交通视频。为了保证所述原始视频集的私密和安全性，上述原始视频集也可以从预设的区块链的节点中获取。所述提取模型可以采用当前已公开的自适应高斯混合模型，所述自适应高斯混合模型是一种基于背景建模的方法，它是根据视频中的每个像素在时域上的分布情况来构建各个像素的颜色分布模型，以此来达到背景建模的目的。
较佳地，参考图2所示，所述利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集，包括：
S10、读取所述原始视频集中的像素点，将所述像素点表示为由高斯分布组成的混合分布；
S11、根据预设的匹配条件更新所述混合分布，得到更新混合分布；
S12、基于所述更新混合分布，利用预设的权重阈值生成所述背景视频集。
其中，将所述像素点表示为由高斯分布组成的混合分布的数学模型如下所示：
式中，i、t为正整数，x表示像素点集，Xt表示第t时刻的像素点，ωi,t表示在第t时刻第i个高斯分布的权值，μi,t、σi,t分别表示在第t时刻第i个高斯分布的均值及方差，η表示概率密度函数，K表示由高斯分布组成的混合分布的个数，一般为3至5个。
其中，所述预设的匹配条件如下所示：
|Xt-μi,t-1|≤θ*σi,t-1
式中，μi,t-1表示在第t-1时刻第i个高斯分布的均值、σi,t-1表示在第t-1时刻第i个高斯分布的方差，θ为匹配阈值，本发明实施例中可为2.5。
其中，所述更新所述混合分布如下所示：
ωi,t＝(1-α)ωi,t-1+α
μi,t＝(1-ρ)μi,t-1+ρXt
式中，α为学习率，0≤α≤1，ρ是更新速率。
其中，利用预设的权重阈值，得到所述背景视频集，利用下述公式：
式中，Bj表示所述背景视频集中的背景点，T为权重阈值。
进一步地，本发明实施例中，根据上述公式提取所述原始视频集中的背景点，汇总所述背景点得到所述背景视频集。
本发明实施通过利用所述提取模型可以准确的提取所述原始视频集中的背景信息，提取效率更高。
S2、利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值。
较佳地，所述目标检测模型可以使用当前已公开的Faster RCNN检测模型，所述Faster RCNN检测模型包括转换层(Conv layers)、RPN(Region Proposal Networks)网络、池化层(Roi Pooling)及分类层(Classification)。所述转化层(Conv layers)利用卷积将背景图像转化为特征图，所述卷积是一种线性运算，对图像进行卷积操作可以消除噪声、增强特征。所述RPN网络包括锚框生成、检测函数判定及边框回归，通过在所述特征图中生成真实边界框和一系列锚框来得到待检测区域，利用检测函数判定所述待检测区域内是否有目标，对有目标的待检测区域进行边框回归，获得精确待检测区域。所述锚框是指以像素点为中心，在所述特征图中采集大量的区域产生的预测边界框。所述检测函数可以使用softmax函数。所述边框回归是指目标检测过程中对产生的所述预测边界框以标注好的所述真实边界框为目标进行逼近的过程。所述精确待检测区域大小可能各不相同，利用所述池化层(Roi Pooling)将所述精确待检测区域转化为固定大小的图像。所述分类层(Classification)用来判断所述精确待检测区域中的目标具体属于哪个类别(如人，车等)。
优选地，本发明通过下述操作得到所述预训练的目标检测模型：
获取训练视频集，利用所述训练视频集训练预设网络；
当训练次数达到预设的训练阈值时，停止训练，得到所述目标检测模型。
本发明实施例中，所述训练视频集可以为UAV123视频集，利用所述UAV123视频集对所述预设网络进行预训练。所述UAV123视频集是由低空无人机捕获视频、每一帧只有1或2辆车的公开视频数据集。
详细地，参考图3所示，所述利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，具体包括：
S20、逐帧读取所述背景视频集，得到特征图集；
S21、提取所述特征图集中特征图的待检测区域，并生成所述待检测区域的预测边界框；
S22、判定所述预测边界框中的待检测区域是否有目标；
S23、对有目标的待检测区域进行边框回归处理，得到精确待检测区域；
S24、对所述精确待检测区域进行转化及分类处理，得到所述背景检测结果。
本发明实施例中，以车辆异常检测场景为例，所述背景检测结果包括背景视频中检测得到的背景车辆检测区域及背景车辆边界框。
具体地，所述根据所述背景检测结果确定预设的异常计数器的数值，包括：
获取所述背景检测结果中的背景目标物边界框，提取所述背景目标物边界框的中心点坐标；
根据所述中心点坐标判断所述背景检测结果中的目标物是否是首次被检测到；
若所述目标物是首次被检测到，则创建所述异常计数器，并确定所述异常计数器的数值为1；
若所述目标物不是首次被检测到，则对所述异常计数器的数值进行加一运算。
本发明实施例中，当检测到新的目标物时，创建一个新的异常计数器并记录首次检测到所述新的目标物时的帧指标，在后续的帧里，如果在已检测出目标物的位置再次检测出所述目标物，异常计数器的数值加一，直至最后一帧。以车辆异常检测为例，当检测到新车辆时，初始化一个新的异常计数器，如果任意一个异常计数器的数值超过了预先设置的异常阈值，则会被进一步确定是否为异常。
进一步地，本发明实施例通过所述UAV123视频集预训练的目标检测模型可以提高检测的准确率，降低误检率。同时利用预先设置的异常阈值，针对不同场景，可以进行灵活调整。
S3、根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果。
详细地，参阅图4所示，所述S3具体包括：
S30、当所述异常计数器的数值超过预设的异常阈值时，确定所述异常计数器对应的目标物为疑似异常目标物；
S31、基于所述背景检测结果，提取首次检测到所述疑似异常目标物时的帧指标，得到疑似异常帧指标；
S32、基于所述疑似异常帧指标，利用所述目标检测模型检测所述原始视频集，得到所述视频检测结果。
本发明实施例中，以车辆异常检测为例，若背景视频中检测出的车的频率(由异常计数器得到)超过了所述异常阈值，那么该车就被认为是疑似异常车辆，并提取首次检测到所述疑似异常车辆时的帧指标，得到疑似异常帧指标，同时利用所述目标检测模型在相应的原始视频上进行检测，得到视频检测结果。所述视频检测结果包括原始视频中检测得到的原始车辆检测区域及原始车辆边界框。
进一步地，本发明实施例通过异常计数器得到疑似异常目标物，基于所述疑似异常目标物，再次利用所述目标检测模型检测所述原始视频集，极大地提高了异常检测的准确率，减少了误检的可能性。
S4、基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
较佳地，参阅图5所示，所述S4包括：
S40、获取所述视频检测结果中的原始目标物边界框；
S41、计算所述原始目标物边界框的中心点坐标；
S42、当所述背景目标物边界框的中心点坐标与所述原始目标物边界框的中心点坐标相同时，创建所述确认计数器，并从所述疑似异常帧指标开始计数，直至所述确认计数器的数值超过预设的确认阈值，则确认目标物异常；
S43、汇总所述目标物异常的原始视频及异常开始时间，得到所述异常检测结果。
本发明实施例中，以车辆异常检测为例，如果在某个时刻，从背景视频中检测出的某辆车的中心点坐标，和对应原始视频上检测出的车辆中心点坐标相匹配，那么该原始视频上该帧的指标就被标记为异常开始的帧指标。每当连续多帧在同一个位置检测出车辆，就有一个确认计数器加一(一个位置对应一个确认计数器)，该检测车辆会被连续监测一分钟。如果确认计数器的数值超过了某个阈值，就认为此处发生了异常。
优选地，本发明实施例通过从背景视频中检测出的目标物的中心点坐标，和对应原始视频上的检测出的目标物中心点坐标相匹配，根据所述匹配的结果创建确认计数器，基于所述确认计数器和预设的确认阈值可以准确的判定目标物是否异常。
本发明通过预构建的提取模型只提取所述原始视频集的背景信息，提取速度较快。并且经过预训练的所述目标检测算法模型，可以较为准确的检测出目标物，提高了异常检测的准确率。同时利用异常计数器和确认计数器，通过设置合适的阈值，可以进一步减少误检率，提高了在不同场景下的适用性。
因此本发明提出的目标物异常检测方法、装置及计算机可读存储介质，可以解决检测效率低，容易造成误检的问题。
如图6所示，是本发明一实施例提供的目标物异常检测装置的功能模块图。
本发明所述目标物异常检测装置100可以安装于电子设备中。根据实现的功能，所述目标物异常检测装置100可以包括背景提取模块101、背景检测模块102、视频检测模块103及异常检测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述背景提取模块101，用于获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集。
本发明实施例中，所述原始视频集可以来自于不同道路监控系统采集的车辆交通视频。为了保证所述原始视频集的私密和安全性，上述原始视频集也可以从预设的区块链的节点中获取。所述提取模型可以采用当前已公开的自适应高斯混合模型，所述自适应高斯混合模型是一种基于背景建模的方法，它是根据视频中的每个像素在时域上的分布情况来构建各个像素的颜色分布模型，以此来达到背景建模的目的。
较佳地，所述背景提取模块101通过下述操作得到所述背景视频集：
读取所述原始视频集中的像素点，将所述像素点表示为由高斯分布组成的混合分布；
根据预设的匹配条件更新所述混合分布，得到更新混合分布；
基于所述更新混合分布，利用预设的权重阈值生成所述背景视频集。
其中，将所述像素点表示为由高斯分布组成的混合分布的数学模型如下所示：
式中，i、t为正整数，x表示像素点集，Xt表示第t时刻的像素点，ωi,t表示在第t时刻第i个高斯分布的权值，μi,t、σi,t分别表示在第t时刻第i个高斯分布的均值及方差，η表示概率密度函数，K表示由高斯分布组成的混合分布的个数，一般为3至5个。
其中，所述预设的匹配条件如下所示：
|Xt-μi,t-1|≤θ*σi,t-1
式中，μi,t-1表示在第t-1时刻第i个高斯分布的均值、σi,t-1表示在第t-1时刻第i个高斯分布的方差，θ为匹配阈值，本发明实施例中可为2.5。
其中，所述更新所述混合分布如下所示：
ωi,t＝(1-α)ωi,t-1+α
μi,t＝(1-ρ)μi,t-1+ρXt
式中，α为学习率，0≤α≤1，ρ是更新速率。
其中，利用预设的权重阈值，得到所述背景视频集，利用下述公式：
式中，Bj表示所述背景视频集中的背景点，T为权重阈值。
进一步地，本发明实施例中，根据上述公式提取所述原始视频集中的背景点，汇总所述背景点得到所述背景视频集。
本发明实施通过利用所述提取模型可以准确的提取所述原始视频集中的背景信息，提取效率更高。
所述背景检测模块102，用于利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值。
较佳地，所述目标检测模型可以使用当前已公开的Faster RCNN检测模型，所述Faster RCNN检测模型包括转换层(Conv layers)、RPN(Region Proposal Networks)网络、池化层(Roi Pooling)及分类层(Classification)。所述转化层(Conv layers)利用卷积将背景图像转化为特征图，所述卷积是一种线性运算，对图像进行卷积操作可以消除噪声、增强特征。所述RPN网络包括锚框生成、检测函数判定及边框回归，通过在所述特征图中生成真实边界框和一系列锚框来得到待检测区域，利用检测函数判定所述待检测区域内是否有目标，对有目标的待检测区域进行边框回归，获得精确待检测区域。所述锚框是指以像素点为中心，在所述特征图中采集大量的区域产生的预测边界框。所述检测函数可以使用softmax函数。所述边框回归是指目标检测过程中对产生的所述预测边界框以标注好的所述真实边界框为目标进行逼近的过程。所述精确待检测区域大小可能各不相同，利用所述池化层(Roi Pooling)将所述精确待检测区域转化为固定大小的图像。所述分类层(Classification)用来判断所述精确待检测区域中的目标具体属于哪个类别(如人，车等)。
详细地，所述背景检测模块102通过下述操作得到所述预训练的目标检测模型：
获取训练视频集，利用所述训练视频集训练预设网络；
当训练次数达到预设的训练阈值时，停止训练，得到所述目标检测模型。
本发明实施例中，所述训练视频集可以为UAV123视频集，利用所述UAV123视频集对所述预设网络进行预训练。所述UAV123视频集是由低空无人机捕获视频、每一帧只有1或2辆车的公开视频数据集。
详细地，所述背景检测模块102通过下述操作得到所述背景检测结果：
逐帧读取所述背景视频集，得到特征图集；
提取所述特征图集中特征图的待检测区域，并生成所述待检测区域的预测边界框；
判定所述预测边界框中的待检测区域是否有目标；
对有目标的待检测区域进行边框回归处理，得到精确待检测区域；
对所述精确待检测区域进行转化及分类处理，得到所述背景检测结果。
本发明实施例中，以车辆异常检测场景为例，所述背景检测结果包括背景视频中检测得到的背景车辆检测区域及背景车辆边界框。
具体地，所述背景检测模块102通过下述操作确定预设的异常计数器的数值：
获取所述背景检测结果中的背景目标物边界框，提取所述背景目标物边界框的中心点坐标；
根据所述中心点坐标判断所述背景检测结果中的目标物是否是首次被检测到；
若所述目标物是首次被检测到，则创建所述异常计数器，并确定所述异常计数器的数值为1；
若所述目标物不是首次被检测到，则对所述异常计数器的数值进行加一运算。
本发明实施例中，当检测到新的目标物时，创建一个新的异常计数器并记录首次检测到所述新的目标物时的帧指标，在后续的帧里，如果在已检测出目标物的位置再次检测出所述目标物，异常计数器的数值加一，直至最后一帧。以车辆异常检测为例，当检测到新车辆时，初始化一个新的异常计数器，如果任意一个异常计数器的数值超过了预先设置的异常阈值，则会被进一步确定是否为异常。
进一步地，本发明实施例通过所述UAV123视频集预训练的目标检测模型可以提高检测的准确率，降低误检率。同时利用预先设置的异常阈值，针对不同场景，可以进行灵活调整。
所述视频检测模块103，用于根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果。
详细地，所述视频检测模块103通过下述操作得到所述视频检测结果：
当所述异常计数器的数值超过预设的异常阈值时，确定所述异常计数器对应的目标物为疑似异常目标物；
基于所述背景检测结果，提取首次检测到所述疑似异常目标物时的帧指标，得到疑似异常帧指标；
基于所述疑似异常帧指标，利用所述目标检测模型检测所述原始视频集，得到所述视频检测结果。
本发明实施例中，以车辆异常检测为例，若背景视频中检测出的车的频率(由异常计数器得到)超过了所述异常阈值，那么该车就被认为是疑似异常车辆，并提取首次检测到所述疑似异常车辆时的帧指标，得到疑似异常帧指标，同时利用所述目标检测模型在相应的原始视频上进行检测，得到视频检测结果。所述视频检测结果包括原始视频中检测得到的原始车辆检测区域及原始车辆边界框。
进一步地，本发明实施例通过异常计数器得到疑似异常目标物，基于所述疑似异常目标物，再次利用所述目标检测模型检测所述原始视频集，极大地提高了异常检测的准确率，减少了误检的可能性。
所述异常检测模块104，用于基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
较佳地，所述异常检测模块104通过下述操作得到所述异常检测结果：
获取所述视频检测结果中的原始目标物边界框；
计算所述原始目标物边界框的中心点坐标；
当所述背景目标物边界框的中心点坐标与所述原始目标物边界框的中心点坐标相同时，创建所述确认计数器，并从所述疑似异常帧指标开始计数，直至所述确认计数器的数值超过预设的确认阈值，则确认目标物异常；
汇总所述目标物异常的原始视频及异常开始时间，得到所述异常检测结果。
本发明实施例中，以车辆异常检测为例，如果在某个时刻，从背景视频中检测出的某辆车的中心点坐标，和对应原始视频上检测出的车辆中心点坐标相匹配，那么该原始视频上该帧的指标就被标记为异常开始的帧指标。每当连续多帧在同一个位置检测出车辆，就有一个确认计数器加一(一个位置对应一个确认计数器)，该检测车辆会被连续监测一分钟。如果确认计数器的数值超过了某个阈值，就认为此处发生了异常。
优选地，本发明实施例通过从背景视频中检测出的目标物的中心点坐标，和对应原始视频上的检测出的目标物中心点坐标相匹配，根据所述匹配的结果创建确认计数器，基于所述确认计数器和预设的确认阈值可以准确的判定目标物是否异常。
如图7所示，是本发明一实施例提供的实现目标物异常检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标物异常检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如目标物异常检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如目标物异常检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的目标物异常检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集；
利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值；
根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果；
基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种目标物异常检测方法，其特征在于，所述方法包括：
获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集；
利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值；
根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果；
基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果；
其中，所述根据所述背景检测结果确定预设的异常计数器的数值，包括：获取所述背景检测结果中的背景目标物边界框，提取所述背景目标物边界框的中心点坐标；根据所述中心点坐标判断所述背景检测结果中的目标物是否是首次被检测到；若所述目标物是首次被检测到，则创建所述异常计数器，并确定所述异常计数器的数值为1；若所述目标物不是首次被检测到，则对所述异常计数器的数值进行加一运算；
所述根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果，包括：当所述异常计数器的数值超过预设的异常阈值时，确定所述异常计数器对应的目标物为疑似异常目标物；基于所述背景检测结果，提取首次检测到所述疑似异常目标物时的帧指标，得到疑似异常帧指标；基于所述疑似异常帧指标，利用所述目标检测模型检测所述原始视频集，得到所述视频检测结果；
所述基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果，包括：获取所述视频检测结果中的原始目标物边界框；计算所述原始目标物边界框的中心点坐标；当所述背景目标物边界框的中心点坐标与所述原始目标物边界框的中心点坐标相同时，创建所述确认计数器，并从所述疑似异常帧指标开始计数，直至所述确认计数器的数值超过预设的确认阈值，则确认目标物异常；汇总所述目标物异常的原始视频及异常开始时间，得到所述异常检测结果。
2.如权利要求1所述的目标物异常检测方法，其特征在于，所述利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集，包括：
读取所述原始视频集中的像素点，将所述像素点表示为由高斯分布组成的混合分布；
根据预设的匹配条件更新所述混合分布，得到更新混合分布；
基于所述更新混合分布，利用预设的权重阈值生成所述背景视频集。
3.如权利要求1所述的目标物异常检测方法，其特征在于，所述方法还包括：
获取训练视频集，利用所述训练视频集训练预设网络；
当训练次数达到预设的训练阈值时，停止训练，得到所述目标检测模型。
4.如权利要求1所述的目标物异常检测方法，其特征在于，所述利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，包括：
逐帧读取所述背景视频集，得到特征图集；
提取所述特征图集中特征图的待检测区域，并生成所述待检测区域的预测边界框；
判定所述预测边界框中的待检测区域是否有目标；
对有目标的待检测区域进行边框回归处理，得到精确待检测区域；
对所述精确待检测区域进行转化及分类处理，得到所述背景检测结果。
5.一种目标物异常检测装置，用于实现如权利要求1至4中任意一项所述的目标物异常检测方法，其特征在于，所述装置包括：
背景提取模块，用于获取原始视频集，利用预构建的提取模型提取所述原始视频集的背景信息，得到背景视频集；
背景检测模块，用于利用预训练的目标检测模型检测所述背景视频集，得到背景检测结果，根据所述背景检测结果确定预设的异常计数器的数值；
视频检测模块，用于根据所述背景检测结果及所述异常计数器的数值，利用所述目标检测算法检测所述原始视频集，得到视频检测结果；
异常检测模块，用于基于所述背景检测结果及所述视频检测结果确定预设的确认计数器的数值，根据所述确认计数器的数值得到异常检测结果。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的目标物异常检测方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的目标物异常检测方法。
CN202011021134.3A 2020-09-24 2020-09-24 目标物异常检测方法、装置、电子设备及存储介质 Active CN112101279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011021134.3A CN112101279B (zh) 2020-09-24 2020-09-24 目标物异常检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011021134.3A CN112101279B (zh) 2020-09-24 2020-09-24 目标物异常检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112101279A CN112101279A (zh) 2020-12-18
CN112101279B true CN112101279B (zh) 2023-09-15

Family

ID=73755293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011021134.3A Active CN112101279B (zh) 2020-09-24 2020-09-24 目标物异常检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112101279B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198300A (zh) * 2013-03-28 2013-07-10 南通大学 基于双层背景的停车事件检测方法
CN103617410A (zh) * 2013-08-30 2014-03-05 重庆大学 基于视频检测技术的高速公路隧道停车检测方法
CN106384348A (zh) * 2016-09-09 2017-02-08 海信集团有限公司 监控图像的异常检测方法及装置
CN107133974A (zh) * 2017-06-02 2017-09-05 南京大学 高斯背景建模与循环神经网络相结合的车型分类方法
CN107491753A (zh) * 2017-08-16 2017-12-19 电子科技大学 一种基于背景建模的违章停车检测方法
CN109285341A (zh) * 2018-10-31 2019-01-29 中电科新型智慧城市研究院有限公司 一种基于实时视频的城市道路车辆异常停驶检测方法
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备
CN110309735A (zh) * 2019-06-14 2019-10-08 平安科技（深圳）有限公司 异常侦测方法、装置、服务器及存储介质
CN110705461A (zh) * 2019-09-29 2020-01-17 北京百度网讯科技有限公司 一种图像处理方法及装置
CN110879951A (zh) * 2018-09-06 2020-03-13 华为技术有限公司 一种运动前景检测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104183127B (zh) * 2013-05-21 2017-02-22 北大方正集团有限公司 交通监控视频检测方法和装置
CN106408554B (zh) * 2015-07-31 2019-07-09 富士通株式会社 遗留物检测装置、方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198300A (zh) * 2013-03-28 2013-07-10 南通大学 基于双层背景的停车事件检测方法
CN103617410A (zh) * 2013-08-30 2014-03-05 重庆大学 基于视频检测技术的高速公路隧道停车检测方法
CN106384348A (zh) * 2016-09-09 2017-02-08 海信集团有限公司 监控图像的异常检测方法及装置
CN107133974A (zh) * 2017-06-02 2017-09-05 南京大学 高斯背景建模与循环神经网络相结合的车型分类方法
CN107491753A (zh) * 2017-08-16 2017-12-19 电子科技大学 一种基于背景建模的违章停车检测方法
CN110879951A (zh) * 2018-09-06 2020-03-13 华为技术有限公司 一种运动前景检测方法及装置
CN109285341A (zh) * 2018-10-31 2019-01-29 中电科新型智慧城市研究院有限公司 一种基于实时视频的城市道路车辆异常停驶检测方法
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备
CN110309735A (zh) * 2019-06-14 2019-10-08 平安科技（深圳）有限公司 异常侦测方法、装置、服务器及存储介质
CN110705461A (zh) * 2019-09-29 2020-01-17 北京百度网讯科技有限公司 一种图像处理方法及装置

Also Published As

Publication number Publication date
CN112101279A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112446025B (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN112395978B (zh) 行为检测方法、装置及计算机可读存储介质
CN112507922B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN112446544B (zh) 交通流预测模型训练方法、装置、电子设备及存储介质
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
CN111695609B (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN112052850B (zh) 车牌识别方法、装置、电子设备及存储介质
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN113487621B (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN113298159B (zh) 目标检测方法、装置、电子设备及存储介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN113554008B (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN114550076A (zh) 区域异常行为监控方法、装置、设备及存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN111583215B (zh) 损伤图像智能定损方法、装置、电子设备及存储介质
CN113887439A (zh) 基于图像识别的自动预警方法、装置、设备及存储介质
CN115757987B (zh) 基于轨迹分析的伴随对象确定方法、装置、设备及介质
CN114463685B (zh) 行为识别方法、装置、电子设备及存储介质
CN115049836B (zh) 图像分割方法、装置、设备及存储介质
CN112101279B (zh) 目标物异常检测方法、装置、电子设备及存储介质
CN113869269B (zh) 活动现场拥挤度检测方法、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