[发明专利]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

权利要求书

1.一种行为异常检测方法，其特征在于，包括如下步骤：

步骤1、获得人群行为的视频数据；

步骤2、构建时空自编码器网络，并将步骤1中不含异常行为的视频数据输入该网络，进行训练；

其中，时空自编码器网络的第一和第二层使用卷积方法对视频中的图像进行操作；第六和第七层使用反卷积方法对视频中的图像进行操作；第三、第四和第五层使用卷积长短期记忆网络；

步骤3、将步骤1中包括正样本和负样本的视频数据同时输入到步骤2训练的时空自动编码器网络，计算得到所有样本的重构误差；将重构误差大于设定阈值的样本被定义为异常行为，并将其筛选为最终的负样本，基于最终的负样本，扩充负样本的数量；

步骤4、构建时空CNN，并采用步骤1中获得的正样本以及经过步骤3筛选后的负样本训练该时空CNN，生成用于异常检测的最终模型；

步骤5、将待检测视频数据输入到步骤4的所述最终模型中进行异常行为检测。

2.如权利要求1所述的行为异常检测方法，其特征在于，对步骤1的视频数据和步骤5的待检测视频数据进行预处理，包括：

先将视频中每帧的像素大小进行统一；然后每帧视频切分成图像块，并根据分切后所述图像块的空间维度和时间维度，组成三维视频块。

3.如权利要求2所述的行为异常检测方法，其特征在于，图像块的最小尺寸为15×15像素。

4.如权利要求2所述的行为异常检测方法，其特征在于，所述设定帧数最小取10帧。

5.如权利要求2所述的行为异常检测方法，其特征在于，所述预处理还包括将视频帧转换为灰度图像以及归一化处理。

6.如权利要求2所述的行为异常检测方法，其特征在于，所述步骤3中，通过对最终的负样本进行镜像处理，以此扩充负样本的数量。

7.如权利要求1至6任意一个所述的行为异常检测方法，其特征在于，所述时空CNN的前三层是卷积层，最后两层是全连层。

8.如权利要求7所述的行为异常检测方法，其特征在于，所述时空CNN的前四层使用ReLU作为激活函数，最后一层使用softmax函数进行分类。

9.如权利要求7所述的行为异常检测方法，其特征在于，如果检测到异常人群行为，则在异常行为发生位置绘制一个矩形框，矩形框上方将显示包含异常行为的可能性。