CN114882434A - 基于背景抑制的无监督异常行为检测方法 - Google Patents

基于背景抑制的无监督异常行为检测方法 Download PDF

Info

Publication number
CN114882434A
CN114882434A CN202210525135.4A CN202210525135A CN114882434A CN 114882434 A CN114882434 A CN 114882434A CN 202210525135 A CN202210525135 A CN 202210525135A CN 114882434 A CN114882434 A CN 114882434A
Authority
CN
China
Prior art keywords
dimensional
layer
convolution
activation function
frame
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.)
Withdrawn
Application number
CN202210525135.4A
Other languages
English (en)
Inventor
路文
伍凌帆
李璐
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.)
Suzhou Haiyuhong Intelligent Technology Co ltd
Original Assignee
Suzhou Haiyuhong Intelligent Technology 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 Suzhou Haiyuhong Intelligent Technology Co ltd filed Critical Suzhou Haiyuhong Intelligent Technology Co ltd
Priority to CN202210525135.4A priority Critical patent/CN114882434A/zh
Publication of CN114882434A publication Critical patent/CN114882434A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提出了一种基于背景抑制的无监督异常行为检测方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建无监督异常行为检测网络模型；(3)对无监督异常行为检测网络模型H进行迭代训练；(4)定义无监督异常行为检测网络模型H*的异常分数函数score；(5)获取异常行为检测结果。本发明构建的无监督异常行为检测网络模型，克服了现有技术没有考虑视频帧的背景特征对算法感知的影响和训练集标注准确度对于有监督学习的影响，提高了异常行为检测方法的异常行为识别准确率。

Description

基于背景抑制的无监督异常行为检测方法
技术领域
本发明属于计算机视觉技术领域，涉及一种异常行为检测方法，具体涉及一种基于背景抑制的无监督道路监控视频异常行为检测方法。
背景技术
道路监控是观察路人行为最方便、直接的一种方式，随着路人不按交通规定使用人行道导致的交通事故越来越多，产生了对路人异常行为检测的迫切需求。
近年来，随着深度学习和开源数据集的快速发展，智能监控设备也得到了对应的发展，异常行为检测是当前智能监控设备在日常生活中应用最为广泛的一项功能，它为人们日常工作生活提供可靠的安全保障。但是目前内置检测算法的智能监控设备在检测路人的过程中，很容易受到环境光照，背景目标、背景相似特征等因素的影响，此外若采用有监督异常行为检测算法，则使用的人工标注数据集的准确率也会对算法产生影响，最终不可避免的引入干扰，降低了异常行为检测的准确率，弱化了算法的鲁棒性。因此，异常行为检测的准确率和算法鲁棒性是用于评估异常行为检测算法性能的重要指标。
南京工业大学在其申请的专利文献“一种基于深度学习的异常行为检测方法”(专利申请号：CN202110611720.1；申请公布号：CN113361370A)中，公开了一种基于深度学习的异常行为检测方法，该方法首先利用摄像机获取实际场景的 RGB图像，然后使用YOLOv5算法检测当前视频帧中的行人，输出检测框的位置信息、置信度与类别，使用构建的外观特征网络对相邻帧目标进行级联匹配得到匹配出来的轨迹，最终使用卡尔曼预测方法对轨迹结果进行删除、新建和跟踪，得到最终的轨迹并与下一帧进行匹配，以此循环。该方法存在的不足之处是，首先该方法没有考虑视频帧的背景特征对算法感知的影响，使得算法在背景信息干扰下异常行为检测算法准确率会受到影响，其次，该方法中采用的YOLOv5算法是有监督算法，在对YOLOv5算法进行训练时人工标注的数据集中行人的标注恰当程度也会对检测算法的准确率产生影响。
哈尔滨理工大学在其申请的专利文献“一种基于深度学习的暴力异常行为检测方法”(专利申请号：CN202110224967.8；申请公布号：CN113191182A)中，提出了一种暴力异常行为检测方法。该方法首先对数据集中的视频进行分帧处理得到视频帧，然后堆叠多个连续的帧组成一个立方体，在立方体中使用三维卷积神经网络，提取三维特征并进行特征融合，使用YOLO算法判断提取到的特征中是否存在违禁物品如刀、枪、棍、棒的特征。该方法存在两个不足之处是，首先该方法没有充分考虑到实际的生活场景中相似背景信息特征对于前景信息的干扰。其次，该方法中采用的YOLO算法是有监督算法，在对YOLO算法进行训练时人工标注的数据集中行人的标注准确程度也会对检测算法的准确率产生影响。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于背景抑制的无监督异常行为检测方法，用于解决现有技术因忽略被测视频背景信息和人工划分数据集导致的检测准确率较低的技术问题。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)获取训练样本集和测试样本集：
(1a)随机选取M个人行道监控视频进行分解，得到M个帧序列集合，
Figure BDA0003644102630000021
其中
Figure BDA0003644102630000022
表示第m个包含Km幅图像帧的帧序列，
Figure BDA0003644102630000023
vk表示
Figure BDA0003644102630000024
中第k帧图像，M≥200，Km≥100；
(1b)从帧序列集合Sv1包含的每个帧序列
Figure BDA0003644102630000025
中分别筛选出的仅包含行人走路事件的Nm个帧图像组成正常行为帧序列
Figure BDA0003644102630000026
并将 M个帧序列包含的所有正常行为帧序列组成训练样本集Btrain，然后将
Figure BDA0003644102630000027
中剩余的Pm个帧图像组成异常行为帧序列
Figure BDA0003644102630000028
再将所有异常行为帧序列组成测试样本集Btest，其中，Nm≥Pm，Pm＝Km-Nm；
(2)构建无监督异常行为检测网络模型H：
(2a)构建顺次连接的背景抑制模块、预测模块和背景抑制约束模块的无监督异常行为检测网络模型H，背景抑制模块的输出端还连接有上下文记忆模块；其中：
预测模块包括顺次连接的空间编码器、卷积长短期记忆模块和解码器，空间编码器采用包含多个二维卷积层和多个激活函数层的特征提取网络；卷积长短期记忆模块采用包含多个二维卷积层、多个张量分解层和多个激活函数层的记忆卷积神经网络；解码器采用包含多个二维转置卷积层和多个激活函数层的转置卷积神经网络；
上下文记忆模块包括顺次连接的运动匹配编码器和记忆模块，其中，运动匹配编码器采用包含多个三维卷积层、多个激活函数层、多个三维最大池化层和1 个三维平均池化层的三维卷积神经网络；
上下文记忆模块中记忆模块的输出端与预测模块中解码器的输入端连接；
(2b)定义背景抑制约束模块的背景抑制损失函数LBGS、背景约束损失函数Lrestrain、最小平方误差L2、最小绝对值偏差L1：
Figure BDA0003644102630000031
Figure BDA0003644102630000032
Figure BDA0003644102630000033
Lrestrain＝LBGS+L2+L1
其中，||·||1表示求1范数，Binary(·)表示二值化操作，
Figure BDA0003644102630000034
表示
Figure BDA0003644102630000035
的预测结果，
Figure BDA0003644102630000036
表示
Figure BDA0003644102630000037
的第n帧图像；
(3)对无监督异常行为检测网络模型H进行迭代训练：
(3a)初始化迭代次数为t，最大迭代次数为T，T≥80，第t次迭代特征提取网络参数为θG1_t，记忆卷积神经网络参数为θG2_t，转置卷积神经网络参数为θG3_t，三维卷积神经网络参数为θG4_t，并令t＝1；
(3b)将训练样本集Btrain作为无监督异常行为检测网络模型H的输入，得到第t次迭代时帧序列
Figure BDA0003644102630000038
的预测结果
Figure BDA0003644102630000039
(3b1)背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure BDA0003644102630000041
中的每幅正常行为帧图像
Figure BDA0003644102630000042
进行背景信息抑制，得到M个背景抑制后的帧序列；
(3b2)预测模块中的空间编码器对一个背景抑制后的帧序列
Figure BDA0003644102630000043
中的每个帧图像进行特征提取，卷积长短期记忆模块对
Figure BDA0003644102630000044
所提取的所有特征组成的特征张量
Figure BDA0003644102630000045
进行分解，得到
Figure BDA0003644102630000046
的特征信息
Figure BDA0003644102630000047
并存储，c∈[2,M-1]；
(3b3)上下文记忆模块对除帧序列
Figure BDA0003644102630000048
以外的其他M-1个正常行为帧序列中的每个帧图像进行特征提取，并将
Figure BDA0003644102630000049
之前的所有帧图像的特征组成上文信息
Figure BDA00036441026300000410
并存储，同时将
Figure BDA00036441026300000411
之后的所有帧图像的特征组成下文信息
Figure BDA00036441026300000412
并存储；
(3b4)预测模块中的解码器对步骤(3b2)得到的特征信息
Figure BDA00036441026300000413
和步骤(3b3) 得到的上文信息
Figure BDA00036441026300000414
和下文信息
Figure BDA00036441026300000415
进行解码，得到第t次迭代时帧序列
Figure BDA00036441026300000416
的预测结果
Figure BDA00036441026300000417
(3c)背景抑制约束模块对预测结果
Figure BDA00036441026300000418
和正常行为帧序列
Figure BDA00036441026300000419
中的正常行为帧图像
Figure BDA00036441026300000420
进行二值化处理，得到t时刻预测结果
Figure BDA00036441026300000421
的二值化图像
Figure BDA00036441026300000422
第n幅正常行为帧图像
Figure BDA00036441026300000423
的二值化图像
Figure BDA00036441026300000424
(3d)采用背景抑制损失函数LBGS，通过
Figure BDA00036441026300000425
和
Figure BDA00036441026300000426
计算Ht的背景抑制损失值LBGS，并采用背景约束损失函数Lrestrain，通过LBGS、L2和L1计算Ht的背景约束损失值Lrestrain；
(3e)采用反向传播方法，并通过Lrestrain计算Ht的网络参数梯度，然后采用随机梯度下降法通过Ht的网络参数梯度对网络参数θG1_t、θG2_t、θG3_t、θG4_t进行更新，得到本次迭代的无监督异常行为检测网络模型Ht；
(3f)判断t≥T是否成立，若成立，得到训练好的无监督异常行为检测网络模型H*，否则令t＝t+1，Ht＝H，并执行步骤(3b)；
(4)获取异常行为检测结果：
(4a)将测试样本集Btest中第c个异常行为帧序列
Figure BDA0003644102630000051
作为训练好的无监督异常行为检测网络模型H*的输入进行前向传播，得到
Figure BDA0003644102630000052
的预测帧图像
Figure BDA0003644102630000053
Figure BDA0003644102630000054
(4b)采用异常分数函数score，并通过预测帧图像
Figure BDA0003644102630000055
和帧图像
Figure BDA0003644102630000056
计算
Figure BDA0003644102630000057
的异常分数F，并判断F与预先设置的异常分数检测阈值I是否满足F≥I，若是，则
Figure BDA0003644102630000058
存在异常行为，反之不存在异常行为，其中：
Figure BDA0003644102630000059
Figure BDA00036441026300000510
本发明与现有技术相比较，具有以下优点：
第一，本发明由于所构建的异常行为检测网络模型包含有背景抑制模块和背景抑制约束模块，在对该模型进行训练和获取检测结果的过程中，考虑到背景目标特征信息对于前景异常检测的影响，异常行为检测网络模型先借助背景抑制模块对静态背景信息进行弱化，再借助背景抑制约束模块抑制动态背景信息，最终加强了前景目标的信息，避免了现有技术中由于仅考虑前景信息而忽略背景信息导致的误检缺陷，有效提高了检测的准确率。
第二，本发明由于所构建的异常行为检测网络模型中包含的预测模块采用顺次连接空间编码器、卷积长短期记忆模块和解码器的结构，借助空间编码器和解码器实现了无监督的异常行为检测，克服了人工标注数据集的准确性对有监督学习带来的影响，使得本发明具有在不同数据集下鲁棒性强的优点。
附图说明
图1是本发明的实现流程图。
图2是本发明构建的异常行为检测网络模型的结构示意图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤：
步骤1)获取训练样本集和测试样本集：
(1a)随机选取M个人行道监控视频进行分解，得到M个帧序列集合，
Figure BDA0003644102630000061
其中
Figure BDA0003644102630000062
表示第m个包含Km幅图像帧的帧序列，
Figure BDA0003644102630000063
vk表示
Figure BDA0003644102630000064
中第k帧图像，M≥200，Km≥100；
在本实例中，经过实验得出当M＝200时，训练速度较快，模型的检测效果较好。
(1b)从帧序列集合Sv1包含的每个帧序列
Figure BDA0003644102630000065
中分别筛选出的仅包含行人走路事件的Nm个帧图像组成正常行为帧序列
Figure BDA0003644102630000066
并将 M个帧序列包含的所有正常行为帧序列组成训练样本集Btrain，然后将
Figure BDA0003644102630000067
中剩余的Pm个帧图像组成异常行为帧序列
Figure BDA0003644102630000068
再将所有异常行为帧序列组成测试样本集Btest，其中，Nm≥Pm，Pm＝Km-Nm；
在本实例中，将人行道监控视频中出现的行人走路定义为正常行为，将骑自行车，滑滑板定义为异常行为。
步骤2)构建无监督异常行为检测网络模型H：
(2a)构建顺次连接的背景抑制模块、预测模块和背景抑制约束模块的无监督异常行为检测网络模型H，背景抑制模块的输出端还连接有上下文记忆模块；其中，预测模块包括顺次连接的空间编码器、卷积长短期记忆模块和解码器，空间编码器采用包含多个二维卷积层和多个激活函数层的特征提取网络；卷积长短期记忆模块采用包含多个二维卷积层、多个张量分解层和多个激活函数层的记忆卷积神经网络；解码器采用包含多个二维转置卷积层和多个激活函数层的转置卷积神经网络；上下文记忆模块包括顺次连接的运动匹配编码器和记忆模块，该记忆模块的输出端与视频预测模块中解码器的输入端连接；其中，运动匹配编码器采用包含多个三维卷积层、多个激活函数层、多个三维最大池化层和一个三维平均池化层的三维卷积神经网络；
空间编码器,其包含的二维卷积层和激活函数层的个数均为4，该空间编码器的具体结构为：第一二维卷积层→第一激活函数层→第二二维卷积层→第二激活函数层→第三二维卷积层→第三激活函数层→第四二维卷积层→第四激活函数层；其中第一二维卷积层输入通道为1，输出通道为64，步长为2；第二二维卷积层输入通道为64，输出通道为64，步长为1；第三二维卷积层输入通道为64，输出通道为128，步长为2；第四二维卷积层输入通道为128，输出通道为 128，步长为1；4个二维卷积层使用的卷积核大小相同均为3×3；4个激活函数层均采用ELU函数；
由于本实例中的每一个帧序列均是由视频分解之后得到的，因此帧序列中的帧图像特征信息之间有很强的关联性，相较于现有技术中只使用普通的卷积神经网络提取帧图像特征信息，本实例使用空间编码器对
Figure BDA0003644102630000071
中的每个帧图像进行特征提取，可以使提取到的特征信息也具有很强的关联性，该特征信息在解码器中解码时可以获得更好的解码效果。
卷积长短期记忆模块，其包含二维卷积层和张量分解层的个数均为2，激活函数层的个数为3，具体结构为：第一二维卷积层→第二二维卷积层→第一张量分解层→第二张量分解层→第一激活函数层→第二激活函数层→第三激活函数层；其中第一二维卷积层和第二二维卷积层相同，输入通道为128，输出通道为 128；3个激活函数层均采用sigmoid函数；
解码器，其包含的二维转置卷积层的个数为4，激活函数层的个数为3，具体结构为：第一二维转置卷积层→第一激活函数层→第二二维转置卷积层→第二激活函数层→第三二维转置卷积层→第三激活函数层→第四二维转置卷积层；其中第一二维转置卷积层输入通道为256，输出通道为128，步长为1；第二二维转置卷积层输入通道为128，输出通道为64，步长为2；第三二维转置卷积层输入通道为64，输出通道为64，步长为1；第四二维转置卷积层输入通道为64，输出通道为1，步长为1；4个二维转置卷积层使用的卷积核大小相同均为3×3， 3个激活函数层均采用ELU函数；
运动匹配编码器，其包含的三维卷积层和激活函数层的个数均为6，三维最大池化层的个数为4，三维平均池化层的个数为1，具体结构为：第一三维卷积层→第一激活函数层→第一三维最大池化层→第二三维卷积层→第二激活函数层→第二三维最大池化层→第三三维卷积层→第三激活函数层→第四三维卷积层→第四激活函数层→第三三维最大池化层→第五三维卷积层→第五激活函数层→第六三维卷积层→第六激活函数层→第四三维最大池化层→平均三维池化层；其中第一三维卷积层输入通道为1，输出通道为64；第二三维卷积层输入通道为64，输出通道为128；第三三维卷积层输入通道为128，输出通道为256；第四三维卷积层输入通道为256，输出通道为256；第五三维卷积层输入通道为 256，输出通道为512；第六三维卷积层输入通道为512，输出通道为512；步长相同均为1；6个三维卷积层使用的卷积核大小相同均为3×3×3；第一三维最大池化层池化核大小为1×2×2，步长为1×2×2；第二三维最大池化层池化核、第三三维最大池化层池化核、第四三维最大池化层池化核大小相同均为2×2×2，步长均为2×2×2；平均三维池化层卷积核大小为1×2×2；6个激活函数层均采用ReLU函数；
(2b)定义背景抑制约束模块的背景抑制损失函数LBGS、背景约束损失函数Lrestrain、最小平方误差L2、最小绝对值偏差L1：
Figure BDA0003644102630000081
Figure BDA0003644102630000082
Figure BDA0003644102630000083
Lrestrain＝LBGS+L2+L1
其中，||·||1表示求1范数，Binary(·)表示二值化操作，
Figure BDA0003644102630000084
表示
Figure BDA0003644102630000085
的预测结果，
Figure BDA0003644102630000086
表示
Figure BDA0003644102630000087
的第n帧图像；
在本实例中，如果背景约束损失函数Lrestrain只使用最小平方误差L2和背景抑制损失函数LBGS计算无监督异常行为检测网络模型的损失，虽然可以保证预测结果
Figure BDA0003644102630000088
和正常行为帧图像
Figure BDA0003644102630000089
的像素相似性，但也容易使预测结果
Figure BDA00036441026300000810
出现模糊，因此为了减轻
Figure BDA00036441026300000811
的模糊效果，将最小绝对值偏差L1也加入背景约束损失函数Lrestrain计算无监督异常行为检测网络模型的损失。
步骤3)对无监督异常行为检测网络模型H进行迭代训练：
(3a)初始化迭代次数为t，最大迭代次数为T，T≥80，第t次迭代特征提取网络参数为θG1_t，记忆卷积神经网络参数为θG2_t，转置卷积神经网络参数为θG3_t，三维卷积神经网络参数为θG4_t，并令t＝1；
在本实例中，经过实验得出最大迭代次数为T＝100时，训练出的无监督异常行为检测网络模型检测效果最好；
(3b)将训练样本集Btrain作为无监督异常行为检测网络模型H的输入，得到第t次迭代时帧序列
Figure BDA0003644102630000091
的预测结果
Figure BDA0003644102630000092
(3b1)背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure BDA0003644102630000093
中的每幅正常行为帧图像
Figure BDA0003644102630000094
进行背景信息抑制，并将所有背景信息抑制后的帧图像组成帧图像序列，实现步骤为：
背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure BDA0003644102630000095
中的每一幅正常行为帧图像
Figure BDA0003644102630000096
进行伽马校正调整帧图像的光照，并对伽马校正后的帧图像
Figure BDA0003644102630000097
进行高斯滤波去除帧图像中的噪点，再对高斯滤波后的帧图像
Figure BDA0003644102630000098
进行拉普拉斯锐化抑制背景信息，得到背景信息抑制后的帧图像
Figure BDA0003644102630000099
(3b2)预测模块中的空间编码器对一个背景抑制后的帧序列
Figure BDA00036441026300000910
中的每个帧图像进行特征提取，卷积长短期记忆模块对
Figure BDA00036441026300000911
所提取的所有特征组成的特征张量
Figure BDA00036441026300000912
进行分解，得到
Figure BDA00036441026300000913
的特征信息
Figure BDA00036441026300000914
并存储，c∈[2,M-1]，其过程如下：
空间编码器借助特征提取网络中的卷积层和激活函数层对帧序列
Figure BDA00036441026300000915
中的每一帧图像进行特征提取并堆叠得到特征张量
Figure BDA00036441026300000916
卷积长短期记忆模块借助卷积层、张量分解层和激活函数层对
Figure BDA00036441026300000917
进行分解，得到特征信息
Figure BDA00036441026300000918
(3b3)上下文记忆模块对除帧序列
Figure BDA00036441026300000919
以外的其他M-1个正常行为帧序列中的每个帧图像进行特征提取，并将
Figure BDA0003644102630000101
之前的所有帧图像的特征组成上文信息
Figure BDA0003644102630000102
并存储，同时将
Figure BDA0003644102630000103
之后的所有帧图像的特征组成下文信息
Figure BDA0003644102630000104
并存储，其过程如下：
对除帧序列
Figure BDA0003644102630000105
外，将所有帧序列中的每一帧图像借助三维卷积神经网络进行特征提取并对提取到的特征进行编码，帧序列
Figure BDA0003644102630000106
之前的所有帧序列
Figure BDA0003644102630000107
的特征作为上文信息
Figure BDA0003644102630000108
并存储，帧序列
Figure BDA0003644102630000109
之后的所有帧序列
Figure BDA00036441026300001010
的特征作为下文信息
Figure BDA00036441026300001011
并存储。
(3b4)预测模块中的解码器对步骤(3b2)得到的特征信息
Figure BDA00036441026300001012
和步骤 (3b3)得到的上文信息
Figure BDA00036441026300001013
和下文信息
Figure BDA00036441026300001014
进行解码，得到第t次迭代时帧序列
Figure BDA00036441026300001015
的预测结果
Figure BDA00036441026300001016
其过程如下：
解码器借助转置卷积神经网络对上文信息
Figure BDA00036441026300001017
下文信息
Figure BDA00036441026300001018
和帧序列
Figure BDA00036441026300001019
的特征信息
Figure BDA00036441026300001020
所组成的张量进行转置解码，得到第t次迭代时帧序列
Figure BDA00036441026300001021
的预测结果
Figure BDA00036441026300001022
在本实例中预测模块中的解码器同时使用空间编码器提取到的帧序列
Figure BDA00036441026300001023
的特征信息和运动匹配编码器对其他帧序列进行特征提取得到的特征信息进行解码，使得预测结果更加多样，模型的智能化程度更高。
(3c)背景抑制约束模块对预测结果
Figure BDA00036441026300001024
和正常行为帧序列
Figure BDA00036441026300001025
中的正常行为帧图像
Figure BDA00036441026300001026
进行二值化处理，得到t时刻预测结果
Figure BDA00036441026300001027
的二值化图像
Figure BDA00036441026300001028
第n幅正常行为帧图像
Figure BDA00036441026300001029
的二值化图像
Figure BDA00036441026300001030
预测结果
Figure BDA00036441026300001031
和正常行为帧序列
Figure BDA00036441026300001032
中的正常行为帧图像
Figure BDA00036441026300001033
在背景抑制约束模块中进行二值化处理，将帧图像中所有不为0的像素值全部变为1。
由于前景目标和背景目标在视频中都在连续运动，像素值的变化也是连续的，因此当运动的目标经过某一区域时，会使该区域的像素值发生变化，算法在提取特征的过程中会把像素值的波动也作为潜在特征提取，进而造成误检。
在本实例中，二值化处理将正常行为帧图像
Figure BDA0003644102630000111
和预测结果
Figure BDA0003644102630000112
中所有不为0 的像素值全部变为1，再通过二者差帧消除目标运动导致的运动目标经过区域像素值不为0的问题，从而抑制动态背景信息，提高检测的准确率。
(3d)采用背景抑制损失函数LBGS，通过
Figure BDA0003644102630000113
和
Figure BDA0003644102630000114
计算Ht的背景抑制损失值LBGS，并采用背景约束损失函数Lrestrain，通过LBGS、L2和L1计算Ht的背景约束损失值Lrestrain；
(3e)采用反向传播方法，并通过Lrestrain计算Ht的网络参数梯度，然后采用随机梯度下降法通过Ht的网络参数梯度对网络参数θG1_t、θG2_t、θG3_t、θG4_t进行更新，得到本次迭代的无监督异常行为检测网络模型Ht；
(3f)判断t≥T是否成立，若成立，得到训练好的无监督异常行为检测网络模型H*，否则令t＝t+1，Ht＝H，并执行步骤(3b)；
随机梯度下降算法通过Ht的网络参数梯度对Ht的特征提取网络参数θG1_t、记忆卷积神经网络参数θG2_t、转置卷积神经网络参数θG3_t、三维卷积神经网络参数θG4_t进行更新，更新公式为：
Figure BDA0003644102630000115
Figure BDA0003644102630000116
mt＝β1·vt-1+(1-β1)·gt
Figure BDA0003644102630000117
Figure BDA0003644102630000118
Figure BDA0003644102630000119
其中：gt为迭代次数t时的梯度，
Figure BDA00036441026300001110
分别为特征提取网络参数θG1_t、记忆卷积神经网络参数θG2_t、转置卷积神经网络参数θG3_t、三维卷积神经网络参数θG4_t更新后的参数，{fti(θ)|i＝1,2,3,4}为参数θGi_t的目标函数，β1，β2分别为一阶矩和二阶矩的指数衰减率，{mti|i＝1,2,3,4}为Ht网络参数梯度的一阶矩估计，{vti|i＝1,2,3,4}为对Ht网络参数梯度的二阶矩估计，
Figure BDA0003644102630000121
为对{mti|i＝1,2,3,4}的校正，
Figure BDA0003644102630000122
为βi的t次幂，
Figure BDA0003644102630000123
对 {vti|i＝1,2,3,4}的校正，{αi|i＝1,2,3,4}为学习率，{εi|i＝1,2,3,4}为维持数值稳定性而添加的常数。
(3f)判断t≥T是否成立，若成立，得到训练好的无监督异常行为检测网络模型H*，否则令t＝t+1，Ht＝H，并执行步骤(3b)；
步骤4)获取异常行为检测结果：
(4a)将测试样本集Btest中第c个异常行为帧序列
Figure BDA0003644102630000124
作为训练好的无监督异常行为检测网络模型H*的输入进行前向传播，得到
Figure BDA0003644102630000125
的预测帧图像
Figure BDA0003644102630000126
Figure BDA0003644102630000127
(4b)采用异常分数函数score，并通过预测帧图像
Figure BDA0003644102630000128
和帧图像
Figure BDA0003644102630000129
计算
Figure BDA00036441026300001210
的异常分数F，并判断F与预先设置的异常分数检测阈值I是否满足F≥I，若是，则
Figure BDA00036441026300001211
存在异常行为，反之不存在异常行为，其中：
Figure BDA00036441026300001212
Figure BDA00036441026300001213
下面结合实验对本发明的效果做进一步的说明：
1.实验条件：
本发明的实验的硬件平台为：2块NVIDIA GeForce GTX 2080Ti GPU。
本发明的实验的软件平台为：Ubuntu 16操作系统，Pytorch 1.7框架，Python3.8。
实验所使用的数据集为ShanghaiTech数据集，该数据集中共有437个视频，每个视频具有不同的光照条件和摄像机角度。
2.实验内容及其结果分析：
(1)评价指标
视频监控异常行为检测领域的主要评价指标是受试者操作特征曲线 (ReceiverOperating Characteristic，ROC)的曲线下的面积(Area Under Curve， AUC)。ROC以假阳性率为横坐标，真阳性率为纵坐标。假阳性率是指所有负样本中预测为正样本的概率，真阳性率是指所有正样本中预测为正样本的概率。 ROC越靠近左上角，AUC值越大，算法模型的性能越好。对于异常行为检测任务，基于图像级异常分数计算AUC值。
(3)实验结果及分析
本实验主要是为了验证本发明和现有其他异常行为检测方法在检测准确率上的优势。本实验采用多种异常行为检测方法在ShanghaiTech数据集上进行训练、测试，最后得到在此数据集上的评价指标AUC。
表1不同算法在ShanghaiTech数据集上的实验结果
方法 AUC
Conv-AE 60.9％
Stacked RNN 68％
Liu et al. 72.8％
VEC 74.8％
HF<sup>2</sup>-VED 76.2％
本发明 76.5％
由表1的实验结果可以看出，本发明相较于现有技术具有更高的准确率。
综上所述，本发明相比于现有技术对异常行为的检测准确率更高，具有重要的实际意义。以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围内。

Claims (4)

1.一种基于背景抑制的无监督异常行为检测方法，其特征在于包括如下步骤：
(1)获取训练样本集和测试样本集：
(1a)随机选取M个人行道监控视频进行分解，得到M个帧序列集合，
Figure FDA0003644102620000011
其中
Figure FDA0003644102620000012
表示第m个包含Km幅图像帧的帧序列，
Figure FDA0003644102620000013
vk表示
Figure FDA0003644102620000014
中第k帧图像，M≥200，Km≥100；
(1b)从帧序列集合Sv1包含的每个帧序列
Figure FDA0003644102620000015
中分别筛选出的仅包含行人走路事件的Nm个帧图像组成正常行为帧序列
Figure FDA0003644102620000016
并将M个帧序列包含的所有正常行为帧序列组成训练样本集Btrain，然后将
Figure FDA0003644102620000017
中剩余的Pm个帧图像组成异常行为帧序列
Figure FDA0003644102620000018
再将所有异常行为帧序列组成测试样本集Btest，其中，Nm≥Pm，Pm＝Km-Nm；
(2)构建无监督异常行为检测网络模型H：
(2a)构建顺次连接的背景抑制模块、预测模块和背景抑制约束模块的无监督异常行为检测网络模型H，背景抑制模块的输出端还连接有上下文记忆模块；其中：
预测模块包括顺次连接的空间编码器、卷积长短期记忆模块和解码器，空间编码器采用包含多个二维卷积层和多个激活函数层的特征提取网络；卷积长短期记忆模块采用包含多个二维卷积层、多个张量分解层和多个激活函数层的记忆卷积神经网络；解码器采用包含多个二维转置卷积层和多个激活函数层的转置卷积神经网络；
上下文记忆模块包括顺次连接的运动匹配编码器和记忆模块，其中，运动匹配编码器采用包含多个三维卷积层、多个激活函数层、多个三维最大池化层和1个三维平均池化层的三维卷积神经网络；
上下文记忆模块中记忆模块的输出端与预测模块中解码器的输入端连接；
(2b)定义背景抑制约束模块的背景抑制损失函数LBGS、背景约束损失函数Lrestrain、最小平方误差L2、最小绝对值偏差L1：
Figure FDA0003644102620000021
Figure FDA0003644102620000022
Figure FDA0003644102620000023
Lrestrain＝LBGS+L2+L1
其中，||·||1表示求1范数，Binary(·)表示二值化操作，
Figure FDA0003644102620000024
表示
Figure FDA0003644102620000025
的预测结果，
Figure FDA0003644102620000026
表示
Figure FDA0003644102620000027
的第n帧图像；
(3)对无监督异常行为检测网络模型H进行迭代训练：
(3a)初始化迭代次数为t，最大迭代次数为T，T≥80，第t次迭代特征提取网络参数为θG1_t，记忆卷积神经网络参数为θG2_t，转置卷积神经网络参数为θG3_t，三维卷积神经网络参数为θG4_t，并令t＝1；
(3b)将训练样本集Btrain作为无监督异常行为检测网络模型H的输入，得到第t次迭代时帧序列
Figure FDA0003644102620000028
的预测结果
Figure FDA0003644102620000029
(3b1)背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure FDA00036441026200000210
中的每幅正常行为帧图像
Figure FDA00036441026200000211
进行背景信息抑制，并将所有背景信息抑制后的帧图像组成帧图像序列；
(3b2)预测模块中的空间编码器对一个背景抑制后的帧序列
Figure FDA00036441026200000212
中的每个帧图像进行特征提取，卷积长短期记忆模块对
Figure FDA00036441026200000213
所提取的所有特征组成的特征张量
Figure FDA00036441026200000214
进行分解，得到
Figure FDA00036441026200000215
的特征信息
Figure FDA00036441026200000216
并存储，c∈[2,M-1]；
(3b3)上下文记忆模块对除帧序列
Figure FDA00036441026200000217
以外的其他M-1个正常行为帧序列中的每个帧图像进行特征提取，并将
Figure FDA00036441026200000218
之前的所有帧图像的特征组成上文信息
Figure FDA0003644102620000031
并存储，同时将
Figure FDA0003644102620000032
之后的所有帧图像的特征组成下文信息
Figure FDA0003644102620000033
并存储；
(3b4)预测模块中的解码器对步骤(3b2)得到的特征信息
Figure FDA0003644102620000034
和步骤(3b3)得到的上文信息
Figure FDA0003644102620000035
和下文信息
Figure FDA0003644102620000036
进行解码，得到第t次迭代时帧序列
Figure FDA0003644102620000037
的预测结果
Figure FDA0003644102620000038
(3c)背景抑制约束模块对预测结果
Figure FDA0003644102620000039
和正常行为帧序列
Figure FDA00036441026200000310
中的正常行为帧图像
Figure FDA00036441026200000311
进行二值化处理，得到t时刻预测结果
Figure FDA00036441026200000312
的二值化图像
Figure FDA00036441026200000313
第n幅正常行为帧图像
Figure FDA00036441026200000314
的二值化图像
Figure FDA00036441026200000315
(3d)采用背景抑制损失函数LBGS，通过
Figure FDA00036441026200000316
和
Figure FDA00036441026200000317
计算Ht的背景抑制损失值LBGS，并采用背景约束损失函数Lrestrain，通过LBGS、L2和L1计算Ht的背景约束损失值Lrestrain；
(3e)采用反向传播方法，并通过Lrestrain计算Ht的网络参数梯度，然后采用随机梯度下降法通过Ht的网络参数梯度对网络参数θG1_t、θG2_t、θG3_t、θG4_t进行更新，得到本次迭代的无监督异常行为检测网络模型Ht；
(3f)判断t≥T是否成立，若成立，得到训练好的无监督异常行为检测网络模型H*，否则令t＝t+1，Ht＝H，并执行步骤(3b)；
(4)获取异常行为检测结果：
(4a)将测试样本集Btest中第c个异常行为帧序列
Figure FDA00036441026200000318
作为训练好的无监督异常行为检测网络模型H*的输入进行前向传播，得到
Figure FDA00036441026200000319
的预测帧图像
Figure FDA00036441026200000320
Figure FDA00036441026200000321
(4b)采用异常分数函数score，并通过预测帧图像
Figure FDA00036441026200000322
和帧图像
Figure FDA00036441026200000323
计算
Figure FDA00036441026200000324
的异常分数F，并判断F与预先设置的异常分数检测阈值I是否满足F≥I，若是，则
Figure FDA0003644102620000041
存在异常行为，反之不存在异常行为，其中：
Figure FDA0003644102620000042
Figure FDA0003644102620000043
2.根据权利要求1所述的基于背景抑制的无监督异常行为检测方法，其特征在于，步骤(2a)中所述的无监督异常行为检测网络模型H，其中：
空间编码器,其包含的二维卷积层和激活函数层的个数均为4，该空间编码器的具体结构为：第一二维卷积层→第一激活函数层→第二二维卷积层→第二激活函数层→第三二维卷积层→第三激活函数层→第四二维卷积层→第四激活函数层；其中第一二维卷积层输入通道为1，输出通道为64，步长为2；第二二维卷积层输入通道为64，输出通道为64，步长为1；第三二维卷积层输入通道为64，输出通道为128，步长为2；第四二维卷积层输入通道为128，输出通道为128，步长为1；4个二维卷积层使用的卷积核大小相同均为3×3；4个激活函数层均采用ELU函数；
卷积长短期记忆模块，其包含二维卷积层和张量分解层的个数均为2，激活函数层的个数为3，具体结构为：第一二维卷积层→第二二维卷积层→第一张量分解层→第二张量分解层→第一激活函数层→第二激活函数层→第三激活函数层；其中第一二维卷积层和第二二维卷积层相同，输入通道为128，输出通道为128；3个激活函数层均采用sigmoid函数；
解码器，其包含的二维转置卷积层的个数为4，激活函数层的个数为3，具体结构为：第一二维转置卷积层→第一激活函数层→第二二维转置卷积层→第二激活函数层→第三二维转置卷积层→第三激活函数层→第四二维转置卷积层；其中第一二维转置卷积层输入通道为256，输出通道为128，步长为1；第二二维转置卷积层输入通道为128，输出通道为64，步长为2；第三二维转置卷积层输入通道为64，输出通道为64，步长为1；第四二维转置卷积层输入通道为64，输出通道为1，步长为1；4个二维转置卷积层使用的卷积核大小相同均为3×3，3个激活函数层均采用ELU函数；
运动匹配编码器，其包含的三维卷积层和激活函数层的个数均为6，三维最大池化层的个数为4，三维平均池化层的个数为1，具体结构为：第一三维卷积层→第一激活函数层→第一三维最大池化层→第二三维卷积层→第二激活函数层→第二三维最大池化层→第三三维卷积层→第三激活函数层→第四三维卷积层→第四激活函数层→第三三维最大池化层→第五三维卷积层→第五激活函数层→第六三维卷积层→第六激活函数层→第四三维最大池化层→平均三维池化层；其中第一三维卷积层输入通道为1，输出通道为64；第二三维卷积层输入通道为64，输出通道为128；第三三维卷积层输入通道为128，输出通道为256；第四三维卷积层输入通道为256，输出通道为256；第五三维卷积层输入通道为256，输出通道为512；第六三维卷积层输入通道为512，输出通道为512；步长相同均为1；6个三维卷积层使用的卷积核大小相同均为3×3×3；第一三维最大池化层池化核大小为1×2×2，步长为1×2×2；第二三维最大池化层池化核、第三三维最大池化层池化核、第四三维最大池化层池化核大小相同均为2×2×2，步长均为2×2×2；平均三维池化层卷积核大小为1×2×2；6个激活函数层均采用ReLU函数。
3.根据权利要求1所述的基于背景抑制的无监督异常行为检测方法，其特征在于，步骤(3b1)中所述的背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure FDA0003644102620000051
中的每幅正常行为帧图像
Figure FDA0003644102620000052
进行背景信息抑制，实现步骤为：
背景抑制模块对训练样本集Btrain中每个正常行为帧序列
Figure FDA0003644102620000053
中的每一幅正常行为帧图像
Figure FDA0003644102620000054
进行伽马校正，并对伽马校正后的帧图像
Figure FDA0003644102620000055
进行高斯滤波，再对高斯滤波后的帧图像
Figure FDA0003644102620000056
进行拉普拉斯锐化，得到背景信息抑制后的帧图像
Figure FDA0003644102620000057
4.根据权利要求1所述的基于背景抑制的无监督异常行为检测方法，其特征在于：步骤(3e)中所述的采用随机梯度下降法通过Ht的网络参数梯度对网络参数θG1_t、θG2_t、θG3_t、θG4_t进行更新；更新公式为：
Figure FDA0003644102620000061
Figure FDA0003644102620000062
mt＝β1·vt-1+(1-β1)·gt
Figure FDA0003644102620000063
Figure FDA0003644102620000064
Figure FDA0003644102620000065
其中：gt为迭代次数t时的梯度，
Figure FDA0003644102620000066
分别为特征提取网络参数θG1_t、记忆卷积神经网络参数θG2_t、转置卷积神经网络参数θG3_t、三维卷积神经网络参数θG4_t更新后的参数，{fti(θ)|i＝1,2,3,4}为参数θGi_t的目标函数，β1，β2分别为一阶矩和二阶矩的指数衰减率，{mti|i＝1,2,3,4}为Ht网络参数梯度的一阶矩估计，{vti|i＝1,2,3,4}为对Ht网络参数梯度的二阶矩估计，
Figure FDA0003644102620000067
为对{mti|i＝1,2,3,4}的校正，
Figure FDA0003644102620000068
为βi的t次幂，
Figure FDA0003644102620000069
对{vti|i＝1,2,3,4}的校正，{αi|i＝1,2,3,4}为学习率，{εi|i＝1,2,3,4}为维持数值稳定性而添加的常数。
CN202210525135.4A 2022-05-14 2022-05-14 基于背景抑制的无监督异常行为检测方法 Withdrawn CN114882434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210525135.4A CN114882434A (zh) 2022-05-14 2022-05-14 基于背景抑制的无监督异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210525135.4A CN114882434A (zh) 2022-05-14 2022-05-14 基于背景抑制的无监督异常行为检测方法

Publications (1)

Publication Number Publication Date
CN114882434A true CN114882434A (zh) 2022-08-09

Family

ID=82675373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210525135.4A Withdrawn CN114882434A (zh) 2022-05-14 2022-05-14 基于背景抑制的无监督异常行为检测方法

Country Status (1)

Country Link
CN (1) CN114882434A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841654A (zh) * 2023-02-20 2023-03-24 松立控股集团股份有限公司 一种基于高位监控视频的异常事件检测方法
CN117422935A (zh) * 2023-12-13 2024-01-19 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841654A (zh) * 2023-02-20 2023-03-24 松立控股集团股份有限公司 一种基于高位监控视频的异常事件检测方法
CN117422935A (zh) * 2023-12-13 2024-01-19 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统
CN117422935B (zh) * 2023-12-13 2024-03-08 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统

Similar Documents

Publication Publication Date Title
CN108133188B (zh) 一种基于运动历史图像与卷积神经网络的行为识别方法
CN108765506B (zh) 基于逐层网络二值化的压缩方法
CN112016500B (zh) 基于多尺度时间信息融合的群体异常行为识别方法及系统
CN109344285B (zh) 一种面向监控的视频图谱构建和挖掘方法、设备
CN114882434A (zh) 基于背景抑制的无监督异常行为检测方法
CN105095862B (zh) 一种基于深度卷积条件随机场的人体动作识别方法
CN112906485A (zh) 基于改进的yolo模型的视障人士辅助障碍物感知方法
CN111738054B (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN112329685A (zh) 一种融合型卷积神经网络人群异常行为检测的方法
CN111429424B (zh) 一种基于深度学习的加热炉入口异常识别方法
CN113283368B (zh) 一种模型训练方法、人脸属性分析方法、装置及介质
CN113569756B (zh) 异常行为检测与定位方法、系统、终端设备及可读存储介质
Wang et al. Fast infrared maritime target detection: Binarization via histogram curve transformation
CN113011322B (zh) 监控视频特定异常行为的检测模型训练方法及检测方法
CN114612936A (zh) 基于背景抑制的无监督异常行为检测方法
CN116704476A (zh) 一种基于改进Yolov4-tiny算法的交通标志检测方法
CN111368634A (zh) 基于神经网络的人头检测方法、系统及存储介质
CN111079572A (zh) 一种基于视频理解的森林烟火检测方法、存储介质和设备
CN112634171B (zh) 基于贝叶斯卷积神经网络的图像去雾方法及存储介质
CN111144220B (zh) 适于大数据的人员检测方法、装置、设备和介质
CN112489073A (zh) 基于帧间高级特征差分的零样本视频前景分割方法
CN116740362A (zh) 一种基于注意力的轻量化非对称场景语义分割方法及系统
CN116977844A (zh) 一种轻量级水下目标实时检测方法
CN109558819B (zh) 一种用于遥感图像目标检测的深度网络轻量化方法
CN115375966A (zh) 一种基于联合损失函数的图像对抗样本生成方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220809