CN112528733A - 一种网络的异常行为识别方法 - Google Patents
一种网络的异常行为识别方法 Download PDFInfo
- Publication number
- CN112528733A CN112528733A CN202011178597.0A CN202011178597A CN112528733A CN 112528733 A CN112528733 A CN 112528733A CN 202011178597 A CN202011178597 A CN 202011178597A CN 112528733 A CN112528733 A CN 112528733A
- Authority
- CN
- China
- Prior art keywords
- network
- abnormal behavior
- layer
- convolution kernel
- training
- 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.)
- Granted
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 3
- 238000012821 model calculation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种网络的异常行为识别方法,具体按照以下步骤实施:步骤1、收集视频数据集;步骤2、利用基于时空信息的视频帧提取方法对视频进行视频帧提取;步骤3、对视频帧调整;步骤4、对提取帧的人体异常行为识别数据集中图片划分为训练集和测试集;步骤5、对inceptionv3网络结构进行改进;步骤6、用改进后的inceptionv3网络结构对异常行为图像进行识别,完成异常行为识别。解决了现有技术中存在的模型计算量大的问题。
Description
技术领域
本发明属于视频识别技术领域,涉及一种网络的异常行为识别方法。
背景技术
随着5G智能视频监控设备普及和公安部天网系统完善,视频监督(监控)广受政府和公众的欢迎,从政府打击犯罪到家庭的日常安全都有所应用。异常行为与人身财产安全息息相关,通过人力计算海量视频信息花费是非常昂贵并且识别效率低。因此有必要自动检测并且识别可疑的异常行为,并对其进行归类,以便公安部门处理,使用,调研,其中,在一些公共场所,比如车站,火车站,公交车上,在这些特定环境里对类似于斗殴,抢劫,持刀,暴恐,这样的行为就称为异常行为。由于人类行为的模糊性和不确定性,准确地识别异常行为成为现今的攻克的重难点。现有技术中存在的参数量大,计算时间长的问题。
发明内容
本发明的目的是提供一种网络的异常行为识别方法,解决了现有技术中存在的模型计算量大的问题。
本发明所采用的技术方案是,一种网络的异常行为识别方法,具体按照以下步骤实施:
步骤1、收集视频数据集;
步骤2、利用基于时空信息的视频帧提取方法对视频进行视频帧提取;
步骤3、对视频帧调整;
步骤4、对提取帧的人体异常行为识别数据集中图片划分为训练集和测试集;
步骤5、对inceptionv3网络结构进行改进,将改进后网络放到训练集进行训练,利用测试集分别对改进前网络和训练后的模型进行验证,当训练后的模型得到的数据高于改进前网络得到的数据,证明改进成功,将训练后的模型进行保存;
步骤6、用改进后的inceptionv3网络结构对异常行为图像进行识别,完成异常行为识别。
本发明的特点还在于:
步骤1具体按照以下实施:在网上下载含有异常行为的视频,得到数据集。
步骤2中,基于时空信息的视频帧提取方法设置视频帧数为每秒30帧。
步骤3具体按照以下实施:调整图片大小为299*299*3。
步骤4中训练集和测试集中图片数量的比例为8:2。
步骤5中对inceptionv3网络结构进行改进具体按照以下实施:先通过2 个卷积核为3*3大小的conv1卷积层,然后接1个卷积核为3*3大小的conv2 层,再连接1个卷积核为3*3大小的conv padded层,然后连接2个卷积核大小为3*3大小的pool层,然后接1个卷积核为3*3大小的conv3层,然后接2个卷积核为3*3大小的conv4层,然后接1个卷积核为3*3大小的conv5 层,然后接3个inception层,然后接1个卷积核为8*8大小的pool层,然后接1个linear层,最后增加一个LSTM分类层。
步骤6具体按照以下实施:利用改进的inceptionv3网络对人体异常行为图像数据集进行特征提取,然后冻结inceptionv3输出层,使用LSTM代替输出层,LSTM分类层对人体异常行为图像在不同通道的特征信息进行整合并计算其所对应的预测类的概率,输出具有最大概率的预测类作为预测结果,完成异常行为识别。
本发明的有益效果是:本发明一种网络的异常行为识别方法,解决了现有技术中存在的模型计算量大的问题。能更快速地识别异常行为图像;对 inceptionv3网络进行了改进,卷积核为1×1大小的卷积层,在保证特征不变的情况下减少了参数量,从而达到更好的效果;改进的inceptionv3网络用2 个3*3卷积代替1个5*5卷积,用2个5*5卷积代替1个7*7卷积,并且将 3*3卷积拆分为1*3卷积和3*1卷积,将5*5卷积拆成1*5卷积和5*1卷积;改进的inceptionv3网络在最后的卷积层后面增加了一个LSTM的分类层,不仅降低维度,保留了空间信息结构,而且有效地减少了卷积的参数和计算量,加快了网络的收敛,提高了训练速度;在UCF101数据集上的表现优于目前流行的方法,证明了改进的inceptionv3网络在异常行为图像识别分类中的可行性。
附图说明
图1是本发明一种网络的异常行为识别方法的流程图;
图2是本发明一种网络的异常行为识别方法的结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种网络的异常行为识别方法,如图1所示,具体按照以下步骤实施:
步骤1、收集视频数据集;
步骤1具体按照以下实施:在网上下载含有异常行为的视频,得到数据集。
步骤2、利用基于时空信息的视频帧提取方法对视频进行视频帧提取;
步骤2中,基于时空信息的视频帧提取方法设置视频帧数为每秒30帧。
步骤3、对视频帧调整;
步骤3具体按照以下实施:调整图片大小为299*299*3。
步骤4、对提取帧的人体异常行为识别数据集中图片划分为训练集和测试集;
步骤4中训练集和测试集中图片数量的比例为8:2。
步骤5、对inceptionv3网络结构进行改进,将改进后网络放到训练集进行训练,利用测试集分别对改进前网络和训练后的模型进行验证,当训练后的模型得到的数据高于改进前网络得到的数据,证明改进成功,将训练后的模型进行保存;
如图2所示,步骤5中对inceptionv3网络结构进行改进具体按照以下实施:先通过2个卷积核为3*3大小的conv1卷积层,然后接1个卷积核为3*3 大小的conv2层,再连接1个卷积核为3*3大小的conv padded层,然后连接2个卷积核大小为3*3大小的pool层,然后接1个卷积核为3*3大小的 conv3层,然后接2个卷积核为3*3大小的conv4层,然后接1个卷积核为 3*3大小的conv5层,然后接3个inception层,然后接1个卷积核为8*8大小的pool层,然后接1个linear层,最后增加一个LSTM分类层。
改进的inceptionv3网络用2个3*3卷积代替1个5*5卷积,用2个5*5 卷积代替1个7*7卷积,并且将3*3卷积拆分为1*3卷积和3*1卷积,将5*5 卷积拆成1*5卷积和5*1卷积。
改进的inceptionv3网络在最后的卷积层后面增加了一个LSTM的分类层。
步骤6、用改进后的inceptionv3网络结构对异常行为图像进行识别,完成异常行为识别。
步骤6具体按照以下实施:利用改进的inceptionv3网络对人体异常行为图像数据集进行特征提取,然后冻结inceptionv3输出层,使用LSTM代替输出层,LSTM分类层对人体异常行为图像在不同通道的特征信息进行整合并计算其所对应的预测类的概率,输出具有最大概率的预测类作为预测结果,完成异常行为识别。
实施例
1)本例中采用UCF101行为数据集。该数据集由101类视频剪辑组成,每个视频剪辑含有多个移动的人体,选取以下5种不同的行为:“boxing”,“hand”,“hung”,“kit”,“push”。每段视频至少包含此5种交互行为各一次,从而导致每段视频剪辑平均执行8次人体活动。分辨率图像帧对应于 HD(720×480),帧速率对应于30fps(每秒帧数)。在本实验中,将这5种行为定义为异常行为。
实验训练改进的inceptionv3网络使用Tensorflow框架,环境为 Ubuntu18.04系统,CPU为Inter(R)Core(TM)i7-9750H,主频为2.60GHz,内存为16GB,GPU使用RTX 2060。
2)基于时空信息的视频帧提取方法,本实验中自主设置每五帧提取一帧图像。
3)使用中心剪裁和随机裁剪对图片中的人体目标进行裁剪,以获得人体异常行为识别图像数据集;
4)将人体异常行为识别图像数据集中的图片随机划分为训练集和测试集,本实验中随机选取每类异常行为的80%作为训练集,20%作为测试集,学习率为0.0001,epoch为50,batch_size为32。
5)实验基于改进的inceptionv3网络结构,分别进行了四组对比实验,实验结果表明本发明一种网络的异常行为识别方法的识别效果最好。
表1展示了目前的几种目标检测和识别网络在UCF101数据库上的识别结果。本发明一种网络的异常行为识别方法与imagenet网络相比,识别结果提高了14.6%;而相比于inceptionv3网络,识别结果提高了15.1%;相比lstm 网络提高了11.3%。由此可得,本发明一种网络的异常行为识别方法提出改进的inceptionv3网络(inceptionlstm)是非常有价值的。
表1实验结果对比表
本发明一种网络的异常行为识别方法利用改进的inceptionv3网络对异常行为图像进行分类,通过调节卷积模块,用2个3*3卷积代替1个5*5卷积,用2个5*5卷积代替1个7*7卷积,使得3*3卷积分解为1*3和3*1,从而减少参数量,提高运算效果。卷积核为1×1大小的卷积核不仅能改变卷积层的通道数,而且大大减少了参数量,从而在达到相同效果下用时更少。实验结果表明,本发明一种网络的异常行为识别方法在UCF101数据集上的表现优于目前流行的方法,证明了改进的inceptionv3(inceptionlstn)在异常行为图像分类中的可行性。
本发明一种网络的异常行为识别方法,解决了现有技术中存在的模型计算量大的问题。能更快速地识别异常行为图像;对inceptionv3网络进行了改进,卷积核为1×1大小的卷积层,在保证特征不变的情况下减少了参数量,从而达到更好的效果;改进的inceptionv3网络用2个3*3卷积代替1个5*5 卷积,用2个5*5卷积代替1个7*7卷积,并且将3*3卷积拆分为1*3卷积和3*1卷积,将5*5卷积拆成1*5卷积和5*1卷积;改进的inceptionv3网络在最后的卷积层后面增加了一个LSTM的分类层,不仅降低维度,保留了空间信息结构,而且有效地减少了卷积的参数和计算量,加快了网络的收敛,提高了训练速度;在UCF101数据集上的表现优于目前流行的方法,证明了改进的inceptionv3网络在异常行为图像识别分类中的可行性。
Claims (7)
1.一种网络的异常行为识别方法,其特征在于,具体按照以下步骤实施:
步骤1、收集视频数据集;
步骤2、利用基于时空信息的视频帧提取方法对视频进行视频帧提取;
步骤3、对视频帧调整;
步骤4、对提取帧的人体异常行为识别数据集中图片划分为训练集和测试集;
步骤5、对inceptionv3网络结构进行改进,将改进后网络放到训练集进行训练,利用测试集分别对改进前网络和训练后的模型进行验证,当训练后的模型得到的数据高于改进前网络得到的数据,证明改进成功,将训练后的模型进行保存;
步骤6、用改进后的inceptionv3网络结构对异常行为图像进行识别,完成异常行为识别。
2.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤1具体按照以下实施:在网上下载含有异常行为的视频,得到数据集。
3.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤2中,基于时空信息的视频帧提取方法设置视频帧数为每秒30帧。
4.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤3具体按照以下实施:调整图片大小为299*299*3。
5.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤4中训练集和测试集中图片数量的比例为8:2。
6.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤5中对inceptionv3网络结构进行改进具体按照以下实施:先通过2个卷积核为3*3大小的conv1卷积层,然后接1个卷积核为3*3大小的conv2层,再连接1个卷积核为3*3大小的conv padded层,然后连接2个卷积核大小为3*3大小的pool层,然后接1个卷积核为3*3大小的conv3层,然后接2个卷积核为3*3大小的conv4层,然后接1个卷积核为3*3大小的conv5层,然后接3个inception层,然后接1个卷积核为8*8大小的pool层,然后接1个linear层,最后增加一个LSTM分类层。
7.根据权利要求1所述的一种网络的异常行为识别方法,其特征在于,所述步骤6具体按照以下实施:利用改进的inceptionv3网络对人体异常行为图像数据集进行特征提取,然后冻结inceptionv3输出层,使用LSTM代替输出层,LSTM分类层对人体异常行为图像在不同通道的特征信息进行整合并计算其所对应的预测类的概率,输出具有最大概率的预测类作为预测结果,完成异常行为识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011178597.0A CN112528733B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进inceptionv3网络的人体异常行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011178597.0A CN112528733B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进inceptionv3网络的人体异常行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528733A true CN112528733A (zh) | 2021-03-19 |
CN112528733B CN112528733B (zh) | 2024-03-22 |
Family
ID=74979155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011178597.0A Active CN112528733B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进inceptionv3网络的人体异常行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528733B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286867A1 (en) * | 2016-04-05 | 2017-10-05 | Battelle Memorial Institute | Methods to determine likelihood of social media account deletion |
CN108960122A (zh) * | 2018-06-28 | 2018-12-07 | 南京信息工程大学 | 一种基于时空卷积特征的表情分类方法 |
CN109635790A (zh) * | 2019-01-28 | 2019-04-16 | 杭州电子科技大学 | 一种基于3d卷积的行人异常行为识别方法 |
CN109784280A (zh) * | 2019-01-18 | 2019-05-21 | 江南大学 | 基于Bi-LSTM-Attention模型的人体行为识别方法 |
CN109858514A (zh) * | 2018-12-20 | 2019-06-07 | 北京以萨技术股份有限公司 | 一种基于神经网络的视频行为分类方法 |
CN109961037A (zh) * | 2019-03-20 | 2019-07-02 | 中共中央办公厅电子科技学院(北京电子科技学院) | 一种考场视频监控异常行为特征识别方法 |
CN110826453A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 一种通过提取人体关节点坐标的行为识别方法 |
CN111062278A (zh) * | 2019-12-03 | 2020-04-24 | 西安工程大学 | 基于改进残差网络的异常行为识别方法 |
CN111259795A (zh) * | 2020-01-16 | 2020-06-09 | 河南职业技术学院 | 基于多流深度学习的人体行为识别方法 |
CN111582230A (zh) * | 2020-05-21 | 2020-08-25 | 电子科技大学 | 基于空时特征的视频行为分类方法 |
-
2020
- 2020-10-29 CN CN202011178597.0A patent/CN112528733B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286867A1 (en) * | 2016-04-05 | 2017-10-05 | Battelle Memorial Institute | Methods to determine likelihood of social media account deletion |
CN108960122A (zh) * | 2018-06-28 | 2018-12-07 | 南京信息工程大学 | 一种基于时空卷积特征的表情分类方法 |
CN109858514A (zh) * | 2018-12-20 | 2019-06-07 | 北京以萨技术股份有限公司 | 一种基于神经网络的视频行为分类方法 |
CN109784280A (zh) * | 2019-01-18 | 2019-05-21 | 江南大学 | 基于Bi-LSTM-Attention模型的人体行为识别方法 |
CN109635790A (zh) * | 2019-01-28 | 2019-04-16 | 杭州电子科技大学 | 一种基于3d卷积的行人异常行为识别方法 |
CN109961037A (zh) * | 2019-03-20 | 2019-07-02 | 中共中央办公厅电子科技学院(北京电子科技学院) | 一种考场视频监控异常行为特征识别方法 |
CN110826453A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 一种通过提取人体关节点坐标的行为识别方法 |
CN111062278A (zh) * | 2019-12-03 | 2020-04-24 | 西安工程大学 | 基于改进残差网络的异常行为识别方法 |
CN111259795A (zh) * | 2020-01-16 | 2020-06-09 | 河南职业技术学院 | 基于多流深度学习的人体行为识别方法 |
CN111582230A (zh) * | 2020-05-21 | 2020-08-25 | 电子科技大学 | 基于空时特征的视频行为分类方法 |
Non-Patent Citations (6)
Title |
---|
HUIFANG QIAN等: "Abnormal Behavior Detection and Recognition Method Based on Improved ResNet Model", COMPUTERS, MATERIALS & CONTINUA, vol. 65, no. 3, pages 2153 - 2167 * |
YIFEI ZHAO等: "Intelligent Recognition of Fatigue and Sleepiness Based on InceptionV3-LSTM via Multi-Feature Fusion", IEEE ACCESS, vol. 8, pages 144205 - 144217, XP011804720, DOI: 10.1109/ACCESS.2020.3014508 * |
付云虎等: "基于多模型融合的双人交互行为识别", 现代电子技术, vol. 45, no. 6, pages 175 - 179 * |
潘娜等: "基于时空交互注意力模型的人体行为识别算法", 激光与光电子学进展, vol. 57, no. 18, pages 1 - 9 * |
王萍等: "基于视频分段的空时双通道卷积神经网络的行为识别", 计算机应用, pages 1 - 6 * |
赵朵朵等: "基于深度学习的视频行为识别方法综述", 电信科学, no. 12, pages 105 - 117 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528733B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158723B (zh) | 一种端到端的视频动作检测定位系统 | |
US9002060B2 (en) | Object retrieval in video data using complementary detectors | |
CN110751018A (zh) | 一种基于混合注意力机制的群组行人重识别方法 | |
CN111062278B (zh) | 基于改进残差网络的异常行为识别方法 | |
CN110765841A (zh) | 基于混合注意力机制的群组行人重识别系统及终端 | |
CN111079539B (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
Giraldo et al. | Graph CNN for moving object detection in complex environments from unseen videos | |
Huszar et al. | Toward fast and accurate violence detection for automated video surveillance applications | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN113822155A (zh) | 一种聚类辅助的弱监督视频异常检测方法和装置 | |
CN110348329B (zh) | 基于视频序列帧间信息的行人检测方法 | |
CN116229323A (zh) | 一种基于改进的深度残差网络的人体行为识别方法 | |
CN113469062B (zh) | 基于关键帧人脸特征的人脸交换篡改视频检测方法、系统及介质 | |
CN108921147B (zh) | 一种基于动态纹理和变换域时空特征的黑烟车识别方法 | |
Ouyang et al. | The comparison and analysis of extracting video key frame | |
CN112528733A (zh) | 一种网络的异常行为识别方法 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
CN115965898A (zh) | 多级分支卷积与膨胀交互采样结合的视频情感分类方法 | |
CN113591647B (zh) | 人体动作识别方法、装置、计算机设备和存储介质 | |
Patil et al. | Video content classification using deep learning | |
CN111860222B (zh) | 基于稠密-分段式帧采样的视频行为识别方法、系统、计算机设备和存储介质 | |
CN114372556A (zh) | 一种基于轻量级多模态神经网络的行车危险场景辨识方法 | |
Affonso et al. | Using artificial intelligence for anomaly detection using security cameras | |
Dengxiong et al. | Multiple Instance Relational Learning for Video Anomaly Detection | |
CN109657098B (zh) | 一种视频指纹提取方法及装置 |
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 |