[发明专利]基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质

说明书

本发明涉及一种基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质，该方法包括：从第一终端获取目标用户的待检测的视频数据，待检测视频数据至少包含两个图像帧，图像帧是在判断时间点之前预设时间段内与目标用户动作相关的图像；从关键子区域图像中提取特征数据；将特征数据输入判断模型中，根据特征数据生成多个不同时间尺度的特征数据，并根据多个不同时间尺度的特征数据得到目标用户的行为的类别，行为的类别包括正常行为以及至少一种异常行为。上述方法运行速度更快，准确度更高，鲁棒性更好，判断标准差更低，能更好的实现用户行为判断。

技术领域

本发明涉及互联网应用技术领域，特别是涉及基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质。

背景技术

用户异常行为常指违反社会文明准则或成群体行为习惯和标准的“反常”行为。特别是随着人们对公共安全意识、网络安全意识的提高，因此对人群场景、网络等环境中的异常行为检测的关注度越来越高。

目前对用户异常行为的检测，通常依据个体异常行为的特征进行匹配检测，或依据个体正常行为的特征进行对比检测。但由于同一个行为可能在某些情况下是异常行为，而在其他情况下是正常行为。因此可能会将正常行为误检为异常行为，也有可能会将异常行为漏检为正常行为，从而导致异常行为检测的错误率高。

发明内容

本申请提供了一种基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质。

第一方面提供了一种基于深度学习判断异常行为的监控方法，包括：

从第一终端获取目标用户的待检测的视频数据，所述待检测视频数据至少包含两个图像帧，所述图像帧是在判断时间点之前预设时间段内与所述目标用户动作相关的图像；

从关键子区域图像中提取特征数据；

将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为的类别，所述行为的类别包括正常行为以及至少一种异常行为。

在一些实施例中，所述判断模型包括第一判断单元和第二判断单元；

所述将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为判断结果，包括：

将所述特征数据输入第一判断单元中，对所述特征数据进行多个时间尺度的离散小波变换，得到各个时间尺度的第一特征矩阵，并所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果；

将所述特征数据输入第二判断单元中，所述第二判断单元对所述特征数据进行多个不同时间尺度的下采样，得到各个时间尺度的第二特征矩阵，并所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果；

聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结果。

在一些实施例中，所述第一判断单元包括小波变换模块和XGBoost模块，所述第二判断单元包括CNN模型和GRU模型；

所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果，包括：

将所述第一特征矩阵输入所述XGBoost模块，得到所述目标用户行为类别的第一判断结果；

所述所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果，包括：

将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作，得到多个时间尺度的第一特征向量；

对所述多个时间尺度的第一特征向量进行序列长度的补充，使得所述第一特征向量具有相同维数；