[发明专利]一种基于双生成器与通道注意力机制的视频异常检测方法

说明书

本发明公开了一种基于双生成器与通道注意力机制的视频异常检测方法，包括如下步骤：拆分视频集，得到多个帧级别的序列，划分为正常训练视频帧和测试视频帧；利用正常训练视频帧和鉴别器对噪声生成器进行训练，通过训练好的噪声生成器生成伪异常帧；利用伪异常帧和正常训练视频帧训练重构生成器，得到训练好的重构生成器；将测试视频帧输入到训练好的重构生成器中，得到重构帧，计算重构帧与真实帧的重构误差，根据重构误差对视频帧进行异常分类。本发明提出了以双生成器和通道注意力机制的生成对抗网络为核心的视频异常事件检测方法，通过噪声生成器和重构生成器，同时在生成器中引入二阶通道注意力模块，提升了视频异常事件检测的检测准确率。

技术领域

本发明属于计算机视觉领域，涉及视频异常检测技术，具体涉及一种基于双生成器与通道注意力机制的视频异常检测方法。

背景技术

在科技高速发展的时代，为了保障社会的运行以及人民的安全，大量的监控摄像被用于道路、学校以及商场等各类公共场所，不计其数的监控视频由此产生。仅用人力去对这些监控视频进行筛选检测需要花费大量的时间精力，因此视频异常检测得到了大力的发展。视频异常可以被认为是不正常的外观或运动，或者正常的外观或运动在不正常的位置或时间发生。视频中事件是否异常需要根据所处场景进行判定，在某一场景中被判定为异常的事件在另一场景中可能是正常的，例如在校园中卡车等交通工具是异常的，在交通道路的场景下则是正常的。

现有的视频异常检测方法仅能用正常视频帧对检测模型进行训练，该方法无法提前学习到异常模式，对异常没有一定感知能力，在检测时会对异常帧分类存在歧义，所以最终异常检测准确率不是很理想。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于双生成器与通道注意力机制的视频异常检测方法，用以解决训练数据只包括正常事件，导致模型难以提前学习异常模式的问题，其能够提高对异常现象的感知能力，来提前学习异常分布，最终提高异常检测准确率。

技术方案：为实现上述目的，本发明提供一种基于双生成器与通道注意力机制的视频异常检测方法，包括如下步骤：

S1：拆分视频集，得到多个帧级别的序列，并且划分为正常训练视频帧和测试视频帧；

S2：利用正常训练视频帧和鉴别器对噪声生成器进行训练，通过训练好的噪声生成器生成伪异常帧；

S3：利用伪异常帧和正常训练视频帧训练重构生成器，得到训练好的重构生成器；

S4：将测试视频帧输入到训练好的重构生成器中，得到重构帧，计算重构帧与真实帧的重构误差，根据重构误差对视频帧进行异常分类。

进一步地，所述步骤S2中噪声生成器包括噪声模块、生成器和二阶通道注意力模块，噪声生成器共训练两次，第一次对不含噪声模块的生成器进行训练，第二次对加入噪声模块的噪声生成器进行训练，训练方法为：生成器通过与鉴别器之间相互对抗进行训练，使生成帧无法被鉴别器区分为异常，在得到训练好的生成器后，固定生成器的参数，并在生成器中加入噪声模块，再次与鉴别器进行生成对抗，更新噪声模块的参数，得到噪声生成器。

进一步地，所述步骤S2中生成器采用自编码器网络，由编码器以及解码器构成，对于生成器的训练方法为：

当正常训练视频帧输入生成器中，首先进入由池化层、卷积层以及激活函数重复构成的编码器部分，经过多次尺寸减半、通道翻倍后，得到潜在特征；

其次将潜在特征输入二阶通道注意力模块中，提高特征的相互依赖性，获得更丰富更密集的信息关联性，得到全局特征与局部特征关联紧密的特征；

最后将得到的特征输入解码器，重新构建潜在特征，输出得到与输入帧相同尺寸的图像，从而生成高质量的重构帧；

将得到的重构帧与真实帧一起输入鉴别器中，让鉴别器与生成器产生对抗，使得生成器生成的重构帧被鉴别器判定为真实帧。