[发明专利]一种基于多分支视频异常检测方法和系统

权利要求书

1.一种基于多分支视频异常检测方法，其特征在于，所述方法包含：

步骤S1：对视频样本作变化以增加视频样本的数量；

步骤S2：构建异常检测模型，进行模型训练；具体的：构建异常检测模型，采用视频样本数据I₁～I_t,I_t+1进行模型训练；

所述构建异常检测模型，具体为：构建神经网络模型，异常检测模型包括一个编码器和三个解码器，融合了重建分支、前向预测分支和反向预测分支；将视频样本输入编码器来得到一个中间层的高级语义特征，然后把该高级语义特征分别输入三个解码器中，来分别输出重建帧，下一个帧和上一个帧，基于三个分支的分析来表达视频变化的时序特征；

输入视频样本为t个视频帧，每个视频帧的尺寸为p*q*r，其中：r是网格数量；将视频样本输入编码器进行编码，编码器对t*p*q*r的视频样本进行降维，并最终形成1*(t*p*q)*r的视频样本对应语义特征；在编码的过程中，降低视频帧数量t的维度值，而增加尺寸大小相关的三个维度的维度值；

步骤S3：进行多分支异常检测模型的测试；具体的：将测试视频样本输入异常检测模型，得到当前测试视频样本的重建帧RI_t-1，下一帧预测值RI_t和上一帧预测值RI_t-2；分别计算重建帧、下一帧预测值、上一帧预测值对应的第一误差、第二误差、第三误差；判断第一误差、第二误差、第三误差是否满足误差要求，如果是，则进入步骤S4，否则基于不满足的情况进入步骤S1或者步骤S2；其中：误差要求包含关系要求和阈值要求；其中：关系要求为第一误差δ₁、第二误差δ₂、第三误差δ₃之间满足特定函数关系；

步骤S4：用多分支异常检测模型进行异常检测；具体的：将待检测视频输入多分支异常检测模型，当异常检测模型输出的误差不满足误差要求时，确定存在异常，并进行异常报警，否则，确定不存在异常；

关系要求为第一误差δ₁、第二误差δ₂、第三误差δ₃需要满足的线性函数关系；阈值要求为第一误差δ₁、第二误差δ₂、第三误差δ₃所要小于的阈值；

所述线性函数关系为：δ₃＝a1×δ₁+a2δ₂±b；其中a1，a2，b为常数。

2.根据权利要求1所述的基于多分支视频异常检测方法，其特征在于，所述步骤S4具体包括：

步骤S41：检测参数初始化；设置帧编号i＝2；

步骤S42：将待检测视频输入多分支异常检测模型，用异常检测模型预测得到重建帧，下一帧预测值和上一帧预测值；当帧编号表明为最后一帧时，进入步骤S46；

步骤S43：分别计算重建帧、下一帧预测值、上一帧预测值对应的第一误差、第二误差、第三误差；

步骤S44：判断第一误差、第二误差、第三误差是否满足误差要求，如果是，则帧编号增加1，并进入步骤S42；如果不满足误差要求，则进入步骤S45；

步骤S45：如果第一误差、第二误差、第三误差满足误差要求中的关系要求、且第一误差和第二误差均满足误差要求中的阈值要求，则标记帧编号为待训练；否则，标记帧编号为待反馈；帧编号增加1，并进入步骤S42；

步骤S46：将所有标记为待反馈的帧编号对应的待检测视频片段标记后反馈给用户；反馈的结果是检测异常；基于标记为待训练的帧编号进行异常检测模型的训练；

所述基于标记为待训练的帧编号进行异常检测模型的训练，具体为：计算标记为待训练的帧的数量，当所述数量超过给定数量时，重新启动异常检测模型的训练；训练过程中，根据标记为待训练的视频帧的帧编号，找到相应的视频帧进行有针对性的训练。

3.根据权利要求2所述的基于多分支视频异常检测方法，其特征在于，将编码器编码过程中形成的语义特征和解码器对应的语义特征类型输入到解码器中；所述语义特征包括中间得到的语义特征和最终得到的语义特征；编码器在编码过程中不断地降维，并将降维过程的中间结果和最终结果分别输入到三个解码器中的一个或多个。