[发明专利]基于主动被动高斯在线学习的异常检测方法

权利要求书

1.一种基于主动被动高斯在线学习的异常检测方法，其特征在于，包括：

将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息，获得处理后的融合图像；

利用深度神经网络提取融合图像的特征，获得一系列的特征向量；

利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布，作为正常参考模型；

在异常检测阶段，采用同样的方式对输入的连续视频帧进行预处理与特征提取操作，并求取各个特征向量在训练后的高斯分布上的分布距离，根据分布距离来判断相应特征向量是否异常。

2.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法，其特征在于，所述将输入的正常的连续视频帧进行预处理使目标形态上融入运动的信息，获得处理后的融合图像包括：

将连续的六帧视频帧按顺序两两平均，然后将平均产生的三张均值图片作为三个通道融合成一张图片。

3.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法，其特征在于，所述利用深度神经网络提取融合图像的特征，获得一系列的特征向量包括：

对于特定的深度神经网络，其包含若干输出层，对于某一时刻t，输入的融合图像，输出层k输出的特征为每个像素点坐标的m_k维的特征向量的集合，表示为：

其中，(w_k,h_k)为特征向量的尺寸，(u,v)为特征向量中像素点坐标，m_k为特征向量的数目，每一特征向量分别对应着输出层k中一个卷积核产生的响应。

4.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法，其特征在于，所述利用特征向量并结合基于主动被动规则约束的在线学习方法训练高斯分布包括：

使用一系列特征向量训练高斯分布G(f,μ,Σ)，其中，μ为均值，Σ为协方差，f为特征向量集合，输出层k对应的第l个特征向量为f_k(u,v,l)，u＝1,2,...,w_k，v＝1,2,...,h_k，(w_k,h_k)为特征向量的尺寸，(u,v)为特征向量中像素点坐标，m_k为特征向量的数目；

训练高斯分布G时使用基于主动被动规则约束的在线学习方法，主动条件下让目标方程向着一个方向逼近，将更新前和更新后的两个分布的KL分歧作为被动约束，被动约束用于约束参数值同时约束参数的分布类型和变化趋势，具体如下：

式中，L表示目标函数，x指特征向量，等价于f_k(u,v,l)，μ、Σ分别对应当前次，即第t次更新的均值、协方差，μ_t-1、Σ_t-1分别对应上一次，即t-1次更新的均值、协方差；N表示高斯分布函数，D_KL为两个分布的KL分歧；

展开L(μ,Σ)后得到：

式中，x_i为第i个特征向量；

将上式中的D_KL进行展开：

其中的λ为约束系数；

使用快坐标优化算法的方式求解上式取极限条件目标参数μ,Σ的值；首先固定协方差Σ不变，来更新均值μ，求解方法是，求关于μ的偏微分函数，然后令其为0，解得对于均值的更新方程：

即，

之后，再固定均值μ不变，求关于协方差Σ的偏微分函数，解出对于协方差Σ的更新：

通过上式公式能够得到对于目标参数μ,Σ的更新，在每次迭代中，一次性读入一批特征向量，在批内计算对均值和协方差的更新，通过若干批的更新得到最终的均值与协方差，从而完成高斯分布的训练。

5.根据权利要求1所述的一种基于主动被动高斯在线学习的异常检测方法，其特征在于，所述求取各个特征在训练后的高斯分布上的分布距离，根据分布距离来判断相应特征是否异常包括：

对输入的连续视频帧进行预处理与特征提取操作后，输出层k对应的特征向量记为f_k'(u,v,l)，求取特征向量f_k'(u,v,l)在训练后高斯分布G上的分布距离：

若求得的分布距离小于阈值α，则相应特征正常；否则，相应特征异常，表示为：