[发明专利]一种基于多分支视频异常检测方法和系统

说明书

本发明涉及一种基于多分支视频异常检测方法，所述方法包括：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；步骤S3：进行多分支异常检测模型的测试；步骤S4：用多分支异常检测模型进行异常检测。本发明从样本选取、模型测试到模型使用均利用了视频样本的时序特征，从而使得训练速度更快，检测精度更高，降低了异常检测误报率。

【技术领域】

本发明属于智慧安防技术领域，尤其涉及一种基于多分支视频异常检测方法和系统。

【背景技术】

视频异常检测是指对视频中发生的异常行为进行检测。随着监控视频的不断普及，自动识别视频中的异常事件变得越来越有必要，因为人工检查可能会造成大量的资源浪费,例如，劳动力。然而，由于异常事件的罕见性和多样性，视频异常检测是一项具有挑战性的任务。更具体地说，异常事件很少发生，可能是以前从未见过的事件。因此，要收集所有类型的异常事件相当困难，这使得传统的二元分类方法不适合。此外，它很难以明确界定异常情况。鉴于异常点通常是与上下文相关，一个场景中的异常事件可以被视为作为另一个场景中的正常事件。现有技术主要是基于重建的模型，要么是基于预测的模型。重建模型是可以对输入的视频片段进行很好的重建，模型对空间特征有很好的提取能力。而预测模型是可以对输入视频片段的下一帧进行很好的预测，模型对时序特征有更好的提取能力。但是，这些模型，但是，我们发现该双分支网络对时序特征的表达能力还不足，提取的特征还不够好，对异常的检测能力还不够强，是待解决的技术问题。本发明通过多分支预测，使得神经网对时序特征有了更好的表达。另外，现有技术中采用神经网络进行异常检测，多集中于神经网络模型的直接应用，而未针对检测对象特点进行有针对性的改进；本发明创新的提出了多分支异常检测方法，从样本选取、模型测试到模型使用均利用了视频样本的时序特征，从而使得训练速度更快，检测精度更高，降低了异常检测误报率；具体的有益效果包括：(1)通过网格化视频样本，强化重要视频帧而弱化或者删除平常视频帧，缩短神经网络的学习路径，加快学习速度；(2)通过将编码过程做平行分解，正好满足不同类型解码器的需要，避免浪费的计算，同时降低计算复杂度；(3)设置和三分支模型对应的误差要求，通过一致性的方式降低模型误差，从时序角度出发在训练过程中对模型提出要求，同时能够针对单个分支进行单分支测试，大大提高提高模型的训练速度；(4)利用了三分支的特性通过关系要求限定了误差之间需要满足的关联关系，从而在异常检测的过程中有效的区分了异常检测需要反馈的情形和因为训练缺口导致的预测错误及其包含的两者混合的情形，增强了异常检测效率避免了误报；

【发明内容】

为了解决现有技术中的上述问题，本发明提出了一种基于多分支视频异常检测方法，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，来分别输出的重建帧，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，并最终形成一个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；