[发明专利]基于回归训练的异常行为检测方法、装置及电子设备

说明书

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。

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：